商城模板网站,域名对网站的影响,mvc4做网站五,网络规划设计师教程第2版高清下载1.Yolov8介绍 Ultralytics YOLOv8是Ultralytics公司开发的YOLO目标检测和图像分割模型的最新版本。YOLOv8是一种尖端的、最先进的#xff08;SOTA#xff09;模型#xff0c;它建立在先前YOLO成功基础上#xff0c;并引入了新功能和改进#xff0c;以进一步提升性能和灵活…
1.Yolov8介绍 Ultralytics YOLOv8是Ultralytics公司开发的YOLO目标检测和图像分割模型的最新版本。YOLOv8是一种尖端的、最先进的SOTA模型它建立在先前YOLO成功基础上并引入了新功能和改进以进一步提升性能和灵活性。它可以在大型数据集上进行训练并且能够在各种硬件平台上运行从CPU到GPU。
具体改进如下 Backbone使用的依旧是CSP的思想不过YOLOv5中的C3模块被替换成了C2f模块实现了进一步的轻量化同时YOLOv8依旧使用了YOLOv5等架构中使用的SPPF模块 PAN-FPN毫无疑问YOLOv8依旧使用了PAN的思想不过通过对比YOLOv5与YOLOv8的结构图可以看到YOLOv8将YOLOv5中PAN-FPN上采样阶段中的卷积结构删除了同时也将C3模块替换为了C2f模块 Decoupled-Head是不是嗅到了不一样的味道是的YOLOv8走向了Decoupled-Head Anchor-FreeYOLOv8抛弃了以往的Anchor-Base使用了Anchor-Free的思想 损失函数YOLOv8使用VFL Loss作为分类损失使用DFL LossCIOU Loss作为分类损失 样本匹配YOLOv8抛弃了以往的IOU匹配或者单边比例的分配方式而是使用了Task-Aligned Assigner匹配方式 框架图提供见链接Brief summary of YOLOv8 model structure · Issue #189 · ultralytics/ultralytics · GitHub
2.交通标志牌TT100K数据集介绍
TT100k训练集6680张验证集955张类别共45类
# class names
names:0: i21: i42: i53: il1004: il605: il806: io7: ip8: p109: p1110: p1211: p1912: p2313: p2614: p2715: p316: p517: p618: pg19: ph420: ph4.521: ph522: pl10023: pl12024: pl2025: pl3026: pl4027: pl528: pl5029: pl6030: pl7031: pl8032: pm2033: pm3034: pm5535: pn36: pne37: po38: pr4039: w1340: w3241: w5542: w5743: w5944: wo
3.训练结果分析
confusion_matrix.png 列代表预测的类别行代表实际的类别。其对角线上的值表示预测正确的数量比例非对角线元素则是预测错误的部分。混淆矩阵的对角线值越高越好这表明许多预测是正确的。 上图是TT100K检测训练有图可以看出 分别是破损和background FP。该图在每列上进行归一化处理。则可以看出破损检测预测正确的概率为91%。
F1_curve.pngF1分数与置信度x轴之间的关系。F1分数是分类的一个衡量标准是精确率和召回率的调和平均函数介于01之间。越大越好。
TP真实为真预测为真
FN真实为真预测为假
FP真实为假预测为真
TN真实为假预测为假
精确率precisionTP/(TPFP)
召回率(Recall)TP/(TPFN)
F12*精确率*召回率/精确率召回率 labels_correlogram.jpg 显示数据的每个轴与其他轴之间的对比。图像中的标签位于 xywh 空间。 labels.jpg
11表示每个类别的数据量
12真实标注的 bounding_box
21 真实标注的中心点坐标
22真实标注的矩阵宽高 P_curve.png表示准确率与置信度的关系图线横坐标置信度。由下图可以看出置信度越高准确率越高。 PR_curve.png PR曲线中的P代表的是precision精准率R代表的是recall召回率其代表的是精准率与召回率的关系。 R_curve.png 召回率与置信度之间关系 预测结果
