网站开发html的题,西双版纳网站建设开发公司,免费的进销存管理系统,海南网新闻最新消息今天遛狗是每天要打卡的事情#xff0c;狗狗生性活泼爱动#xff0c;一天不遛就浑身难受#xff0c;遛狗最重要的就是要拴绳了#xff0c;牵紧文明绳是养犬人的必修课。外出遛狗时#xff0c;主人手上的牵引绳更多是狗狗生命健康的一道重要屏障。每天的社区生活中#xff0c;…遛狗是每天要打卡的事情狗狗生性活泼爱动一天不遛就浑身难受遛狗最重要的就是要拴绳了牵紧文明绳是养犬人的必修课。外出遛狗时主人手上的牵引绳更多是狗狗生命健康的一道重要屏障。每天的社区生活中相信大家都会或多或少的在路上遇上一些遛狗的人不讲文明不讲武德出门就是习惯性的不牵绳子遛狗对于自己不熟悉的狗狗来说我们自然是害怕的频频报道的狗咬人的事件也是层出不穷“狗狗性格温顺不会咬人的”这一类所谓的说辞不是放纵不牵绳子的理由。 前文我们已经进行了相应了开发实践感兴趣的话可以自行移步阅读
《牵绳遛狗你我他文明家园每一天助力共建文明社区基于DETR(DEtection TRansformer)开发构建公共场景下未牵绳遛狗检测识别系统》
《牵绳遛狗你我他文明家园每一天助力共建文明社区基于YOLOv3开发构建公共场景下未牵绳遛狗检测识别系统》
《牵绳遛狗你我他文明家园每一天助力共建文明社区基于YOLOv4开发构建公共场景下未牵绳遛狗检测识别系统》
《牵绳遛狗你我他文明家园每一天助力共建文明社区基于YOLOv5开发构建公共场景下未牵绳遛狗检测识别系统》
《牵绳遛狗你我他文明家园每一天助力共建文明社区基于YOLOv6开发构建公共场景下未牵绳遛狗检测识别系统》
对于此类的现象是否能够从技术的角度来进行思考甚至是干预呢我想理论上来说也是可行的本文的主要目的就是站在不牵绳遛狗这个大背景下探索基于技术手段来分析对此类行为干预的可行性这里主要是基于YOLOv7开发构建对应的目标检测模型我们的设计初衷就是考虑未来这样的技术手段能够结合路边、河道、社区、门口等等的可用的视频摄像头对于画面中出现的遛狗目标对象进行实时的智能计算分析如果发现问题就可以通过语音播报提醒如果还是不加改正就可以将当前的时段视频发送到相关的部门来跟进处理当然了这些比较偏向业务应用层面不是我们开发者所能决定的这里主要是结合我们的所见所想来开发构建实践性质的项目。
首先看下实例效果 接下来简单看下实例数据集 YOLOv7是 YOLO 系列最新推出的YOLO 结构在 5 帧/秒到 160 帧/秒范围内其速度和精度都超过了大部分已知的目标检测器在 GPU V100 已知的 30 帧/秒以上的实时目标检测器中YOLOv7 的准确率最高。根据代码运行环境的不同(边缘 GPU、普通 GPU 和云 GPU)YOLOv7 设置了三种基本模型分别称为 YOLOv7-tiny、YOLOv7和 YOLOv7-W6。相比于 YOLO 系列其他网络 模 型 YOLOv7 的 检 测 思 路 与YOLOv4、YOLOv5相似YOLOv7 网络主要包含了 Input(输入)、Backbone(骨干网络)、Neck(颈部)、Head(头部)这四个部分。首先图片经过输入部分数据增强等一系列操作进行预处理后被送入主干网主干网部分对处理后的图片提取特征随后提取到的特征经过 Neck 模块特征融合处理得到大、中、小三种尺寸的特征最终融合后的特征被送入检测头经过检测之后输出得到结果。 YOLOv7 网络模型的主干网部分主要由卷积、E-ELAN 模块、MPConv 模块以及SPPCSPC 模块构建而成 。在 Neck 模块YOLOv7 与 YOLOv5 网络相同也采用了传统的 PAFPN 结构。FPN是YoloV7的加强特征提取网络在主干部分获得的三个有效特征层会在这一部分进行特征融合特征融合的目的是结合不同尺度的特征信息。在FPN部分已经获得的有效特征层被用于继续提取特征。在YoloV7里依然使用到了Panet的结构我们不仅会对特征进行上采样实现特征融合还会对特征再次进行下采样实现特征融合。Head检测头部分YOLOv7 选用了表示大、中、小三种目标尺寸的 IDetect 检测头RepConv模块在训练和推理时结构具有一定的区别。
这里主要是选择了yolov7-tiny和yolov7这两款不同参数量级的模型来进行开发训练训练数据配置文件如下
# txt path
train: ./dataset/images/train
val: ./dataset/images/test
test: ./dataset/images/test# number of classes
nc: 2# class names
names: [dog, rope]在实验阶段保持完全相同的参数设置等待全部训练完成之后来从多个指标的维度来进行综合的对比分析。
【Precision曲线】 精确率曲线Precision-Recall Curve是一种用于评估二分类模型在不同阈值下的精确率性能的可视化工具。它通过绘制不同阈值下的精确率和召回率之间的关系图来帮助我们了解模型在不同阈值下的表现。精确率Precision是指被正确预测为正例的样本数占所有预测为正例的样本数的比例。召回率Recall是指被正确预测为正例的样本数占所有实际为正例的样本数的比例。 绘制精确率曲线的步骤如下
使用不同的阈值将预测概率转换为二进制类别标签。通常当预测概率大于阈值时样本被分类为正例否则分类为负例。对于每个阈值计算相应的精确率和召回率。将每个阈值下的精确率和召回率绘制在同一个图表上形成精确率曲线。根据精确率曲线的形状和变化趋势可以选择适当的阈值以达到所需的性能要求。通过观察精确率曲线我们可以根据需求确定最佳的阈值以平衡精确率和召回率。较高的精确率意味着较少的误报而较高的召回率则表示较少的漏报。根据具体的业务需求和成本权衡可以在曲线上选择合适的操作点或阈值。精确率曲线通常与召回率曲线Recall Curve一起使用以提供更全面的分类器性能分析并帮助评估和比较不同模型的性能。 【F1值曲线】 F1值曲线是一种用于评估二分类模型在不同阈值下的性能的可视化工具。它通过绘制不同阈值下的精确率Precision、召回率Recall和F1分数的关系图来帮助我们理解模型的整体性能。 F1分数是精确率和召回率的调和平均值它综合考虑了两者的性能指标。F1值曲线可以帮助我们确定在不同精确率和召回率之间找到一个平衡点以选择最佳的阈值。 绘制F1值曲线的步骤如下 使用不同的阈值将预测概率转换为二进制类别标签。通常当预测概率大于阈值时样本被分类为正例否则分类为负例。 对于每个阈值计算相应的精确率、召回率和F1分数。 将每个阈值下的精确率、召回率和F1分数绘制在同一个图表上形成F1值曲线。 根据F1值曲线的形状和变化趋势可以选择适当的阈值以达到所需的性能要求。 F1值曲线通常与接收者操作特征曲线ROC曲线一起使用以帮助评估和比较不同模型的性能。它们提供了更全面的分类器性能分析可以根据具体应用场景来选择合适的模型和阈值设置。
【Recall曲线】 召回率曲线Recall Curve是一种用于评估二分类模型在不同阈值下的召回率性能的可视化工具。它通过绘制不同阈值下的召回率和对应的精确率之间的关系图来帮助我们了解模型在不同阈值下的表现。召回率Recall是指被正确预测为正例的样本数占所有实际为正例的样本数的比例。召回率也被称为灵敏度Sensitivity或真正例率True Positive Rate。 绘制召回率曲线的步骤如下 使用不同的阈值将预测概率转换为二进制类别标签。通常当预测概率大于阈值时样本被分类为正例否则分类为负例。 对于每个阈值计算相应的召回率和对应的精确率。 将每个阈值下的召回率和精确率绘制在同一个图表上形成召回率曲线。 根据召回率曲线的形状和变化趋势可以选择适当的阈值以达到所需的性能要求。 通过观察召回率曲线我们可以根据需求确定最佳的阈值以平衡召回率和精确率。较高的召回率表示较少的漏报而较高的精确率意味着较少的误报。根据具体的业务需求和成本权衡可以在曲线上选择合适的操作点或阈值。 召回率曲线通常与精确率曲线Precision Curve一起使用以提供更全面的分类器性能分析并帮助评估和比较不同模型的性能。 【loss曲线】 从结果对比来看tiny系列的模型没有被yolov7拉开明显的差距虽然整体评测效果来说yolov7要优于tiny模型但是参数量也要高出不少考虑到cpu推理的时效性最终决定线上使用tiny系列的模型。
接下来以tiny系列模型为基准看下详细的结果信息
【混淆矩阵】 【训练可视化】 【Batch实例】 离线推理实例如下 感兴趣的话都可以自行动手尝试下
