小欢喜林磊儿什么网站做家教,安卓app开发环境搭建和配置,建站公司获客成本,营口网站建设求职简历在前文的项目开发实践中#xff0c;我们已经以钢铁产业产品缺陷检测数据场景为基准#xff0c;陆续开发构建了多款目标检测模型#xff0c;感兴趣的话可以自行阅读即可。
《YOLOv3老矣尚能战否#xff1f;基于YOLOv3开发构建建钢铁产业产品智能自动化检测识别系统#xf…在前文的项目开发实践中我们已经以钢铁产业产品缺陷检测数据场景为基准陆续开发构建了多款目标检测模型感兴趣的话可以自行阅读即可。
《YOLOv3老矣尚能战否基于YOLOv3开发构建建钢铁产业产品智能自动化检测识别系统我们来与YOLOv5进行全方位对比评测》
《基于官方YOLOv4开发构建目标检测模型超详细实战教程【以自建缺陷检测数据集为例】》
《基于官方YOLOv4-u5【yolov5风格实现】开发构建目标检测模型超详细实战教程【以自建缺陷检测数据集为例】》
《AI助力钢铁产业数字化python基于YOLOv5开发构建钢铁产业产品智能自动化检测识别系统》
《python基于YOLOv6最新0.4.1分支开发构建钢铁产业产品智能自动化检测识别系统》
《python基于DETR(DEtection TRansformer)开发构建钢铁产业产品智能自动化检测识别系统》
《python基于YOLOv7系列模型【yolov7-tiny/yolov7/yolov7x】开发构建钢铁产业产品智能自动化检测识别系统》
本文的主要目的就是延续这一业务场景的模型开发基于yolov8来开发构建不同参数量级的钢铁产品智能化质检系统本文也是这一业务场景的最终章首先来看实例效果 接下来看下数据集情况 共包含10种不同类型的产品缺陷如下所示
[chongkong, hanfeng, yueyawan, shuiban, youban, siban, yiwu, yahen, zhehen, yaozhe]
如果对YOLOv8开发构建自己的目标检测项目有疑问的可以看下面的文章如下所示
《基于YOLOv8开发构建目标检测模型超详细教程【以焊缝质量检测数据场景为例】》
非常详细的开发实践教程。本文这里就不再展开了因为从YOLOv8开始变成了一个安装包的形式整体跟v5和v7的使用差异还是比较大的。
简单的实例实现如下所示
from ultralytics import YOLO# yolov8n
model YOLO(yolov8n.yaml).load(yolov8n.pt) # build from YAML and transfer weights
model.train(datadata/self.yaml, epochs100, imgsz640)# yolov8s
model YOLO(yolov8s.yaml).load(yolov8s.pt) # build from YAML and transfer weights
model.train(datadata/self.yaml, epochs100, imgsz640)# yolov8m
model YOLO(yolov8m.yaml).load(yolov8m.pt) # build from YAML and transfer weights
model.train(datadata/self.yaml, epochs100, imgsz640)# yolov8l
model YOLO(yolov8l.yaml).load(yolov8l.pt) # build from YAML and transfer weights
model.train(datadata/self.yaml, epochs100, imgsz640)# yolov8x
model YOLO(yolov8x.yaml).load(yolov8x.pt) # build from YAML and transfer weights
model.train(datadata/self.yaml, epochs100, imgsz640)
预训练模型可以到官方项目中自行下载即可。
五款不同参数量级的模型保持完全相同的训练参数配置等待训练完成后我们对其训练过程进行对比可视化如下所示
【mAP0.5】
mAP0.5mean Average Precision at 0.5 intersection over union是一种用于评估目标检测算法性能的指标。在目标检测任务中mAP0.5衡量了检测算法在不同类别目标上的平均精度。
mAP0.5的计算过程包括以下几个步骤
对于每个类别的目标首先计算出每个检测结果的置信度confidence和相应的预测框的准确度accuracy。根据置信度对检测结果进行排序通常是按照置信度从高到低进行排序。采用不同阈值通常为0.5作为IOUIntersection over Union的阈值计算每个类别下的Precision-Recall曲线。在Precision-Recall曲线上计算出在不同召回率Recall下的平均精度Average Precision。对所有类别的平均精度进行求平均即得到mAP0.5指标。
mAP0.5的取值范围是0到1数值越高表示检测算法在目标检测任务上的性能越好。它综合考虑了不同类别目标的精度和召回率并对检测结果进行了排序和评估。
需要注意的是mAP0.5只是mAP的一种变体其中IOU阈值固定为0.5。在一些特定的目标检测任务中可能会使用其他IOU阈值来计算mAP例如mAP0.5:0.95表示使用IOU阈值从0.5到0.95的范围来计算平均精度。 整体对比来看n系列模型的精度最低s次之m、l以及x系列的模型并没有非常明显的差距从推理速度上来讲m系列的模型有着自身天然的优势。
接下来来看loss走势 不同模型的差异不大相对都是比较稳定的。
感兴趣的话也都可以自行尝试下
