郴州做网站的,装修材料,wordpress 视频 加载,深圳网站建设费用多少钱前言
上一章我们介绍的通过迁移学习#xff0c;在新的行人数据集上使用已经学习到的特征和权重#xff0c;从而更快地实现行人检测任务。模型就会调整其参数以适应新的数据集#xff0c;以提高对行人的识别性能。接下来介绍一种更快更便捷的方法#xff0c;依旧是基于yolo…前言
上一章我们介绍的通过迁移学习在新的行人数据集上使用已经学习到的特征和权重从而更快地实现行人检测任务。模型就会调整其参数以适应新的数据集以提高对行人的识别性能。接下来介绍一种更快更便捷的方法依旧是基于yolov8。
标签过滤方法
在这种方法中不对模型进行重新训练而是在模型输出的基础上通过筛选、过滤标签来达到特定的识别目标。以下详细介绍这种方法 1.模型输出 首先使用一个预训练好的目标检测模型来对图像进行检测。 这些模型已经在大型数据集上进行了训练学习到了各种不同类别的目标的特征。
2.目标标签过滤 接下来从模型的输出结果中提取目标的标签信息。这些标签通常包含了检测到的目标类别如人、车、狗等、位置边界框坐标、置信度分数等信息。
3.选择感兴趣的类别 在标签过滤的过程中根据任务需求选择感兴趣的目标类别。例如只对行人感兴趣您可以只保留标签为“行人”的目标检测结果而过滤掉其他类别的目标。
4.阈值处理 除了选择感兴趣的类别外还可以根据置信度分数来进行阈值处理。通常情况下模型会为每个检测到的目标分配一个置信度分数表示该目标存在的概率。您可以根据设定的阈值来过滤掉低置信度的检测结果以确保只保留可信度较高的目标。
5.结果可视化或保存 最后将经过标签过滤处理后的目标检测结果进行可视化或保存。通常可以将过滤后的结果在图像或视频中标注出来以便后续分析或应用。
完整的demo
只需要运行这段推理脚本即可。
import cv2
from ultralytics import YOLO
# 加载YOLOv8模型
model YOLO(yolov8n.pt) # 你可以选择其他模型例如yolov8s.pt, yolov8m.pt等
image_path test-img/ms.jpg # 替换为你的图像路径
image cv2.imread(image_path)
# 使用模型进行检测
results model(image)
# 筛选出标签为person的检测结果COCO数据集中类别0通常为person
person_results [result for result in results[0].boxes if result.cls[0] 0]
# 绘制检测到的person的边界框
for box in person_results:x1, y1, x2, y2 map(int, box.xyxy[0])confidence box.conf[0]label fperson {confidence:.2f}cv2.rectangle(image, (x1, y1), (x2, y2), (0, 0, 255), 3)cv2.putText(image, label, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 4)
# 保存结果图像
output_path_person_only person_only_detected_image1.jpg
cv2.imwrite(output_path_person_only, image)
print(f检测结果已保存到 {output_path_person_only})原始检测结果 标签过滤后的检测结果 两种方法的区别
迁移学习优缺点
优点
目标定制化 重新训练模型可以针对特定的任务和数据集进行优化可以更好地满足特定需求提高模型性能和准确性。灵活性 可以调整模型架构、超参数和训练策略以适应不同的数据特征和应用场景具有更大的灵活性。更适应新任务 重新训练模型可以使其更适应新的目标类别、背景和环境变化提高泛化能力和适应性。
缺点
时间和资源消耗 需要花费大量时间和计算资源来重新训练模型特别是对于大型数据集和复杂模型而言。数据标注需求 需要大量标注好的数据集来进行重新训练标注过程可能耗时耗力。潜在过拟合 重新训练模型可能会导致过度拟合于新数据集特别是当新数据集相对较小或与原始数据集有显著差异时
过滤标签的优缺点
优点
简单快速 只需要对已有模型的输出进行简单的标签过滤不需要重新训练模型过程简单快速。资源消耗低 不需要重新分配大量的计算资源和时间适用于资源有限或时间紧迫的情况。保留原模型特性 可以保留原始模型在大型数据集上学到的丰富特征和知识避免了重新训练可能带来的性能下降。
缺点
限制性 受限于原始模型在预训练数据集上学习到的特征和知识可能无法很好地适应新任务和数据集性能可能受限。无法完全定制化 无法对模型架构和参数进行定制化调整可能无法满足特定需求。可能导致误差传播 对于一些复杂的数据集和场景简单的标签过滤可能会导致误差传播影响最终的检测性能。
总结
没有最好的方法只有最合适的方法。
