网站服务器租赁哪家好,自己做网站需要收费吗,免费建站系统博客,财务网站建设在前文中我们尝试构建了在隧道、涵洞尝尽下的自动智能化养护巡查相关的模型#xff0c;进行了实地测试评估#xff0c;感兴趣的话可以自行移步阅读即可#xff1a;
《基于轻量级YOLOv5s开发构建隧道基建裂痕、脱落等缺陷问题检测系统》
本文的想法是相近的#xff0c;核心…在前文中我们尝试构建了在隧道、涵洞尝尽下的自动智能化养护巡查相关的模型进行了实地测试评估感兴趣的话可以自行移步阅读即可
《基于轻量级YOLOv5s开发构建隧道基建裂痕、脱落等缺陷问题检测系统》
本文的想法是相近的核心的目的是想要以公路养护场景为切入点探索实践在自动巡航拍摄的视频图像数据基础上是否具备准确检测分析识别的能力。
首先看下效果图如下所示 接下来整体看下数据集情况如下所示 数据来源于实际巡航拍摄为的就是真实数据来训练测试模型。
这里由于资源限制的问题在初步版本的模型开发选型上我们选择的是yolov5s系列的模型原生模型文件如下所示
# Parameters
nc: 1
depth_multiple: 0.33
width_multiple: 0.50anchors:- [10,13, 16,30, 33,23]- [30,61, 62,45, 59,119] - [116,90, 156,198, 373,326]backbone:# [from, number, module, args][[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2[-1, 1, Conv, [128, 3, 2]], # 1-P2/4[-1, 3, C3, [128]],[-1, 1, Conv, [256, 3, 2]], # 3-P3/8[-1, 6, C3, [256]],[-1, 1, Conv, [512, 3, 2]], # 5-P4/16[-1, 9, C3, [512]],[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32[-1, 3, C3, [1024]],[-1, 1, SPPF, [1024, 5]], # 9]head:[[-1, 1, Conv, [512, 1, 1]],[-1, 1, nn.Upsample, [None, 2, nearest]],[[-1, 6], 1, Concat, [1]], # cat backbone P4[-1, 3, C3, [512, False]], # 13[-1, 1, Conv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, nearest]],[[-1, 4], 1, Concat, [1]], # cat backbone P3[-1, 3, C3, [256, False]], # 17 (P3/8-small)[-1, 1, Conv, [256, 3, 2]],[[-1, 14], 1, Concat, [1]], # cat head P4[-1, 3, C3, [512, False]], # 20 (P4/16-medium)[-1, 1, Conv, [512, 3, 2]],[[-1, 10], 1, Concat, [1]], # cat head P5[-1, 3, C3, [1024, False]], # 23 (P5/32-large)[[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)]这里为了提升模型精度我继承了前不久提出的spd-conv模块、BIFPN模块和SE注意力模块这块的内容可以参考前面的博文这里就不再赘述了如下所示
# Parameters
nc: 1 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
anchors:- [10,13, 16,30, 33,23] # P3/8- [30,61, 62,45, 59,119] # P4/16- [116,90, 156,198, 373,326] # P5/32# Backbone
backbone:# [from, number, module, args][[-1, 1, Focus, [64, 3]], # 0-P1/2[-1, 1, Conv, [128, 3, 1]], # 1[-1,1,SPD,[1]], # 2 -P2/4[-1, 3, C3, [128]], # 3[-1, 1, Conv, [256, 3, 1]], # 4[-1,1,SPD,[1]], # 5 -P3/8[-1, 6, C3, [256]], # 6[-1, 1, Conv, [512, 3, 1]], # 7-P4/16[-1,1,SPD,[1]], # 8 -P4/16[-1, 9, C3, [512]], # 9[-1, 1, Conv, [1024, 3, 1]], # 10-P5/32[-1,1,SPD,[1]], # 11 -P5/32[-1, 3, C3, [1024]], # 12[-1, 1, SPPF, [1024, 5]], # 13]# Head
head:[[-1, 1, Conv, [512, 1, 1]], #14[-1, 1, nn.Upsample, [None, 2, nearest]], #15[[-1, 9], 1, BiFPN, [256, 256]], #16 cat backbone P4[-1, 3, C3, [512, False]], #17[-1, 1, Conv, [256, 1, 1]], #18[-1, 1, nn.Upsample, [None, 2, nearest]], #19[[-1, 6], 1, BiFPN, [128, 128]], #20 cat backbone P3[-1, 3, C3, [256, False]], #21 [-1, 1, Conv, [512, 3, 2]], #22[[-1, 17, 9], 1, BiFPN, [256, 256]], #23 v5s通道数是默认参数的一半[-1, 3, C3, [512, False]], #24 [-1, 1, Conv, [512, 3, 2]], #25[[-1, 14], 1, BiFPN, [256, 256]], #26[-1, 3, C3, [1024, False]], #27 [-1, 1, SE, [1024]], #28[[21, 24, 28], 1, Detect, [nc, anchors]], #29 Detect(P3, P4, P5)]
默认完全相同的训练参数均执行100次epoch的迭代计算。
等待训练完成后我们来整体对比分析下如下所示
【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。 【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。 【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。 整个训练过程中的loss对比曲线如下所示 综合对比来看经过改进后的s系列的模型要明显由于官方原生的模型精度。
很多时候大家也都可以根据实际场景下业务需求来针对性地进行一下适配改造可能会有意想不到的效果。
