做网站的好项目,青岛网站制作公司 网络服务,客户如何找到做网站宣传的律师,北京清控人居建设集团网站1、YOLOV8算法
YOLOv8 是当前效果较好的目标检测 算法#xff0c;它的核心网络来源于 DarkNet-53#xff0c;该网络初次在 YOLOv3[11] 中被引入#xff0c;并深受 ResNet[12] 的影响。DarkNet-53 使用了残差机制#xff0c;并连续添加了卷积模块来加强其功能性。 这 53 层…
1、YOLOV8算法
YOLOv8 是当前效果较好的目标检测 算法它的核心网络来源于 DarkNet-53该网络初次在 YOLOv3[11] 中被引入并深受 ResNet[12] 的影响。DarkNet-53 使用了残差机制并连续添加了卷积模块来加强其功能性。 这 53 层的构造使其在性能上与 ResNet-152 相当 但其处理速度加快了一倍。基于 DarkNet-53 YOLOv8 做了进一步的调整 融入了 C2f 组件从而进一步加强了性能并减少了模型的大小。 本 文 选 用 轻 量 级 的 YOLOv8n 。 YOLOv8n 是从 YOLOv8 算法派生的轻量级 参数结构。它包括骨干网、颈网和预测输出 头。骨干网络利用卷积操作从 RGB 图像中 提取各种尺度的特征。同时 颈部网络的作 用是合并骨干网络提取的特征。特征金字塔 结构特征金字塔网络FPN[13]通常被实 现以将低级特征聚合成高级表示。头部层负 责预测目标类别并利用三组不同大小的检测检测器来选择和检测图像内容。
2、数据集
高质量太阳能光伏电池板可见光图像数据集标签包含鸟粪清洁脏污电气损坏物理损坏积雪覆盖六类。用于目标检测缺陷检测异物检测。 训练集有大量数据增强图片包含14478张图片14478个yolo格式的标签。 nc: 6 names: [‘bird-drop’, ‘clean’, ‘dusty’, ‘electrical-damage’, ‘physical-damage’, ‘snow-covered’] 已分为测试集训练集验证集可直接训练。
软件开发环境:python3.9
系统界面开发pyqt5---------项目文件说明---------环境配置步骤【共两步】
【注意软件存放路径最好不要有中文。】---------【第一步安装python3.9】---------
方法一【推荐】
先安装ananconda软件官网地址https://www.anaconda.com/download
安装完成后在conda命令窗口使用命令conda create -n py39 python3.9创建3.9的虚拟环境
然后激活虚拟环境“conda activate py39”,然后再进行第二步依赖库的安装。
方法二
直接在python官网下载pyhon3.9的exe文件安装即可。---------【第二步安装软件所需的依赖库】---------
注意输入命令前命令行需先进入项目目录的路径下不然会提示找不到文件
方法一【推荐】
直接运行installPackages.py一键安装第三方库的脚本。命令为python installPackages.py
方法二: 运行下方命令
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple---------【运行程序】---------
按照以上两步环境配置完成后直接运行MainProgram.py文件即可打开程序。
命令为python MainProgram.py---------【模型训练】---------
将文件【datasets//data.yaml】中train,val数据集的绝对路径改为自己项目数据集的绝对路径
train: E:\MyCVProgram\FireSmokeDetection\datasets\train
val: E:\MyCVProgram\FireSmokeDetection\datasets\valid
test: E:\MyCVProgram\FireSmokeDetection\datasets\test然后运行train.py文件即可开始进行模型训练,训练结果会默认保存在runs目录中。3、训练效果展示 4、训练结果评估
在深度学习中我们通常用损失函数下降的曲线来观察模型训练的情况。YOLOv8在训练时主要包含三个方面的损失定位损失(box_loss)、分类损失(cls_loss)和动态特征损失dfl_loss在训练结束后可以在runs/目录下找到训练过程及结果文件如下所示 各损失函数作用说明定位损失box_loss预测框与标定框之间的误差GIoU越小定位得越准分类损失cls_loss计算锚框与对应的标定分类是否正确越小分类得越准动态特征损失dfl_lossDFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时目标框需要缩放到特征图尺度即除以相应的stride并与预测的边界框计算Ciou Loss同时与预测的anchors中心点到各边的距离计算回归DFLLoss。这个过程是YOLOv8训练流程中的一部分通过计算DFLLoss可以更准确地调整预测框的位置提高目标检测的准确性。本文训练结果如下 我们通常用PR曲线来体现精确率和召回率的关系本文训练结果的PR曲线如下。mAP表示Precision和Recall作为两轴作图后围成的面积m表示平均后面的数表示判定iou为正负样本的阈值。mAP.5表示阈值大于0.5的平均mAP可以看到本文模型两类目标检测的mAP0.5已经达到了0.87以上平均值为0.89结果还是很不错的。
5、软件基本界面如下图所示 6、结束语
以上便是博主开发的基于YOLOV8Pyqt5光伏太阳能电池板目标检测系统的部分内容由于博主能力有限难免有疏漏之处希望小伙伴能批评指正。关于本篇文章大家有任何建议或意见欢迎在评论区留言交流
