if __name__ == '__main__':  # 确保该模块被直接运行时才执行以下代码
    workers = 1
    batch = 8

    data_name = "PlantsDisease"
    data_path = abs_path(f'datasets/{data_name}/{data_name}.yaml', path_type='current')  # 数据集的yaml的绝对路径
    unix_style_path = data_path.replace(os.sep, '/')

    # 获取目录路径
    directory_path = os.path.dirname(unix_style_path)
    # 读取YAML文件，保持原有顺序
    with open(data_path, 'r') as file:
        data = yaml.load(file, Loader=yaml.FullLoader)
    # 修改path项
    if 'path' in data:
        data['path'] = directory_path
        # 将修改后的数据写回YAML文件
        with open(data_path, 'w') as file:
            yaml.safe_dump(data, file, sort_keys=False)

    model = YOLO(abs_path('./weights/yolov5nu.pt', path_type='current'), task='detect')  # 加载预训练的YOLOv8模型
    # model = YOLO('./weights/yolov5.yaml', task='detect').load('./weights/yolov5nu.pt')  # 加载预训练的YOLOv8模型
    # Training.
    results = model.train(  # 开始训练模型
        data=data_path,  # 指定训练数据的配置文件路径
        device=device,  # 自动选择进行训练
        workers=workers,  # 指定使用2个工作进程加载数据
        imgsz=640,  # 指定输入图像的大小为640x640
        epochs=120,  # 指定训练100个epoch
        batch=batch,  # 指定每个批次的大小为8
        name='train_v5_' + data_name  # 指定训练任务的名称
    )

    model = YOLO(abs_path('./weights/yolov8n.pt'), task='detect')  # 加载预训练的YOLOv8模型
    results2 = model.train(  # 开始训练模型
        data=data_path,  # 指定训练数据的配置文件路径
        device=device,  # 自动选择进行训练
        workers=workers,  # 指定使用2个工作进程加载数据
        imgsz=640,  # 指定输入图像的大小为640x640
        epochs=120,  # 指定训练100个epoch
        batch=batch,  # 指定每个批次的大小为8
        name='train_v8_' + data_name  # 指定训练任务的名称
    )

        读取yaml文件并在需要时更新路径项是处理配置文件的常规操作。这一步骤确保了模型能够正确地定位到数据集的位置。在加载模型并准备进行训练之前，首先需要加载预训练权重。这里我们加载了yolov5nu.pt作为YOLOv5模型的权重，这是从UltraLytics提供的预训练模型开始的一个好起点。最后，我们使用train方法开始训练模型。这里指定了数据配置文件、设备、工作进程数、图像大小、训练周期和批次大小。name参数用于命名训练任务，便于后续的识别和参考。

        在深度学习模型的训练过程中，监控损失函数和性能指标的变化对于了解模型的学习进度至关重要。通过对YOLOv8模型训练过程中的损失函数图像进行分析，我们可以对模型性能做出专业且详细的解读。

        首先，观察训练和验证过程中的边界框损失（box_loss）、分类损失（cls_loss）和分布式焦点损失（df1_loss）的变化。边界框损失负责对模型预测的边界框与真实边界框之间的差异进行惩罚，分类损失则处理类别预测的正确性，而分布式焦点损失则是对于难以分类样本的一种更细致的损失函数。在训练初期，这些损失值通常较高，因为模型还未学习到足够的特征。随着训练进展，我们期望看到这些损失值逐渐下降，这表明模型在逐渐改善其预测。图中展示的趋势符合这一预期：损失值在训练过程中持续下降，最终趋于稳定，这是模型正常收敛的标志。

        对于性能指标，精确度（precision）和召回率（recall）是衡量模型性能的关键指标。精确度表示模型预测为正的样本中真正为正的比例，而召回率则衡量模型能够正确识别的正样本的比例。从图中我们可以看出，模型的精确度和召回率在训练过程中呈现出上升的趋势，这意味着模型在不断学习如何更准确地检测和分类图像中的目标。

        mAP（mean Average Precision）是衡量目标检测模型性能的一个综合指标，通常包括[email protected]和[email protected]两个水平，分别代表在不同的IoU（Intersection over Union）阈值下模型性能的评估。[email protected]更为宽容，只要预测的边界框与真实边界框的IoU超过0.5就认为是正确的，而[email protected]则覆盖了从0.5到0.95的所有阈值，是一个更严格的评估。图中的mAP值随着训练逐步提升，并在一定的训练周期后达到平稳状态，这表明模型具有良好的检测能力，并且对于不同的IoU阈值具有较为稳定的表现。

        在机器学习和深度学习模型的性能评估中，F1分数是一个非常重要的指标，它结合了精确度（Precision）和召回率（Recall）两个指标的信息。具体来说，F1分数是精确度和召回率的调和平均数，能够平衡二者的影响，为模型性能提供一个综合的衡量。在目标检测任务中，F1分数尤其重要，因为它直接反映了模型检测正确目标的能力。

         首先，F1曲线显示了在不同置信度阈值（Confidence）下的模型性能。曲线上的每个点反映了在特定置信度阈值下模型的F1分数。在曲线的开始部分，随着置信度阈值的增加，F1分数迅速上升，这意味着模型在较低置信度时将很多不准确的预测视为正样本，导致了较低的精确度和较高的召回率。随着置信度阈值的提高，模型开始更加谨慎地标记正样本，因此精确度提高了，但召回率可能会略有下降。

         曲线的顶部，也就是F1分数达到峰值的位置，表示了模型在精确度和召回率之间达到最佳平衡的置信度阈值。在这个案例中，最大的F1分数约为0.62，对应的置信度阈值约为0.358。这个最大值指出，在此阈值下，模型对于判断目标是否正确的置信度和其实际性能之间达到了最佳的平衡。

        然而，在峰值之后，随着置信度阈值的继续增加，F1分数开始下降，这表明模型变得过于保守，错过了一些正确的目标（即漏检），导致召回率下降。在置信度接近1的极端情况下，尽管模型的精确度可能很高（因为几乎所有标记为正的预测都是正确的），但由于漏检太多，召回率会非常低，因此F1分数降低。此外，曲线图中还展示了多条线，可能代表不同类别或不同实验条件下的F1分数。整体而言，这些线的趋势相似，显示出模型的性能在不同类别或条件下具有一定的一致性。

        总结来说，F1分数曲线图为我们提供了模型性能随置信度变化的直观视图。它揭示了模型的最优置信度阈值，并指出了模型性能可能的瓶颈。在实际应用中，选择一个合适的置信度阈值，可以帮助我们在保持较高精确度的同时，尽可能地提高召回率，从而优化模型的整体性能。

4.3 YOLOv5、YOLOv6、YOLOv7和YOLOv8对比

（1）实验设计：

        本实验旨在评估和比较YOLOv5、YOLOv6、YOLOv7和YOLOv8几种模型在植物病害目标检测任务上的性能。为了实现这一目标，博主分别使用使用相同的数据集训练和测试了这四个模型，从而可以进行直接的性能比较。该数据集包含植物病害的图像。本文将比较分析四种模型，旨在揭示每种模型的优缺点，探讨它们在工业环境中实际应用的场景选择。

模型	图像大小 (像素)	mAPval 50-95	CPU ONNX 速度 (毫秒)	A100 TensorRT 速度 (毫秒)	参数数量 (百万)	FLOPs (十亿)
YOLOv5nu	640	34.3	73.6	1.06	2.6	7.7
YOLOv8n	640	37.3	80.4	0.99	3.2	8.7
YOLOv6N	640	37.5	-	-	4.7	11.4
YOLOv7-tiny	640	37.4	-	-	6.01	13.1

（2）度量指标：

• F1-Score：F1-Score是精确率（Precision）和召回率（Recall）的调和平均值。精确率是指模型正确识别的正例与所有识别为正例的案例之比，而召回率是指模型正确识别的正例与所有实际正例之比。F1-Score对于不平衡的数据集或者需要同时考虑精确率和召回率的任务特别重要。
• mAP（Mean Average Precision）：mAP是衡量模型在多个类别上平均检测准确度的指标。它计算了模型在所有类别上的平均精度，是目标检测领域中常用的性能度量。

名称	YOLOv5nu	YOLOv6n	YOLOv7-tiny	YOLOv8n
mAP	0.629	0.623	0.613	0.636
F1-Score	0.61	0.60	0.60	0.62

（3）实验结果分析：

        首先，我们注意到mAP，即平均精度均值，它反映了模型在不同置信度阈值下的平均表现。在我们的实验中，YOLOv8n以0.636的mAP得分最高，这表明它在整体检测精度上优于其他版本。YOLOv5nu紧随其后，得分为0.629，而YOLOv6n和YOLOv7-tiny的表现稍逊一些，分别为0.623和0.613。mAP作为一个整体性能的指标，更高的分数意味着模型具有更好的检测能力和更高的可靠性。

        另一个重要的指标是F1-Score，它是精确度和召回率的调和平均数，能够综合考虑模型检测正确性和完整性。在这一指标上，YOLOv8n同样以0.62的得分领先，这进一步证实了它在检测性能上的优势。其他三个模型的F1-Score相对较接近，分别为0.61、0.60和0.60，这说明它们在精确度和召回率的平衡上表现相似。

        从这些数据我们可以得出结论，随着YOLO系列的发展，新版本的模型在性能上确实有所提升。YOLOv8n在我们的实验中表现最佳，不仅在整体检测准确性上（mAP）领先，而且在检测的准确性和完整性的平衡上（F1-Score）也具有优势。YOLOv5nu作为较早的版本，仍然显示出强大的性能，而YOLOv6n和YOLOv7-tiny则提供了相对较为均衡的性能。

        这样的性能对比对于实践者来说极为重要。它不仅为选择合适的模型提供了数据支持，而且也展示了在不同场景下可能需要权衡的性能指标。例如，在对精确度要求更高的应用场景下，YOLOv8n可能是更佳的选择，而在对计算资源有限制的环境中，较轻量的YOLOv7-tiny可能会更加合适。

       综上所述，模型选择应基于具体的应用需求和环境限制，而这些实验数据为我们提供了进行合理选择的依据。通过这些综合评估指标，我们能够更全面地理解每个模型的优势和局限，从而为实际应用中的模型部署和优化提供指导。

4.4 代码实现

        在这篇博客中，我们将深入探讨如何使用YOLOv8模型来构建一个植物病害检测系统。我们将通过一段Python代码，一步步展示从模型加载到实时检测的整个过程。这段代码不仅集成了深度学习和计算机视觉的核心技术，而且利用了PySide6创建了用户友好的界面。

（1）导入必要的模块和配置
        首先，我们导入了几个关键的Python模块，包括用于图像处理的OpenCV库，以及构建图形用户界面（GUI）所需的PySide6模块。通过这些工具，我们可以对图像进行读取和处理，同时为用户提供一个交互窗口。

import random  # 导入random模块，用于生成随机数
import sys  # 导入sys模块，用于访问与Python解释器相关的变量和函数
import time  # 导入time模块，用于处理时间
from QtFusion.config import QF_Config
import cv2  # 导入OpenCV库，用于处理图像
from QtFusion.widgets import QMainWindow  # 从QtFusion库中导入FBaseWindow类，用于创建窗口
from QtFusion.utils import cv_imread, drawRectBox  # 从QtFusion库中导入cv_imread和drawRectBox函数，用于读取图像和绘制矩形框
from PySide6 import QtWidgets, QtCore  # 导入PySide6库中的QtWidgets和QtCore模块，用于创建GUI
from QtFusion.path import abs_path
from YOLOv8Model import YOLOv8Detector  # 从YOLOv8Model模块中导入YOLOv8Detector类，用于加载YOLOv8模型并进行目标检测
from datasets.PlantsDisease.label_name import Label_list

QF_Config.set_verbose(False)

        在代码中，我们使用QtFusion库，这是一个封装了Qt功能的库，它提供了创建现代化窗口和控件的方法。
（2）定义类别和模型
        接下来，我们创建了一个YOLOv8Detector对象，这是我们检测模型的核心。通过加载预先训练好的模型权重，我们为即将到来的图像检测准备好了模型。

cls_name = Label_list  # 定义类名列表
colors = [[random.randint(0, 255) for _ in range(3)] for _ in range(len(cls_name))]  # 为每个目标类别生成一个随机颜色

model = YOLOv8Detector()  # 创建YOLOv8Detector对象
model.load_model(abs_path("weights/best-yolov8n.pt", path_type="current"))  # 加载预训练的YOLOv8模型

（3）创建主窗口
       我们定义了一个MainWindow类，这是我们应用程序的主窗口。在这个类中，我们设置了窗口的大小，并添加了一个QLabel组件来展示检测结果。为了使应用程序能够响应用户的操作，我们还定义了keyPressEvent方法来处理键盘事件

class MainWindow(QMainWindow):  # 自定义主窗口类
    def __init__(self):  # 构造函数
        super().__init__()  # 调用父类构造函数
        self.resize(850, 500)  # 设置窗口大小
        self.label = QtWidgets.QLabel(self)  # 创建标签用于显示图像
        self.label.setGeometry(0, 0, 850, 500)  # 设置标签位置和大小

    def keyPressEvent(self, event):  # 键盘事件处理
        if event.key() == QtCore.Qt.Key.Key_Q:  # 按下Q键时
            self.close()  # 关闭窗口

（4）主程序流程

        随后，进入主函数中，我们选择了一张测试图像，并使用了cv_imread来读取图像，这是一个适配不同编码格式的图像读取函数。读取之后，我们将图像大小调整到模型所需的640x640像素，并对其进行预处理。随后，我们开始对图像进行实时检测。通过记录开始和结束时间，我们可以计算出模型进行预测的耗时。模型的predict方法返回了预测结果和叠加在原图上的图像。

if __name__ == '__main__':  # 如果当前模块是主模块
    app = QtWidgets.QApplication(sys.argv)  # 创建QApplication对象
    window = MainWindow()  # 创建MainWindow对象

    img_path = abs_path("test_media/PlantsDisease_SIXU_A00027.jpg")  # 定义图像文件的路径
    image = cv_imread(img_path)  # 使用cv_imread函数读取图像

    image = cv2.resize(image, (640, 640))  # 将图像大小调整为850x500
    pre_img = model.preprocess(image)  # 对图像进行预处理

    t1 = time.time()  # 获取当前时间（开始时间）
    pred, superimposed_img = model.predict(pre_img)  # 使用模型进行预测
    t2 = time.time()  # 获取当前时间（结束时间）
    use_time = t2 - t1  # 计算预测所用的时间

    det = pred[0]  # 获取预测结果的第一个元素（检测结果）

    # 如果有检测信息则进入
    if det is not None and len(det):
        det_info = model.postprocess(pred)  # 对预测结果进行后处理
        for info in det_info:  # 遍历检测信息
            # 获取类别名称、边界框、置信度和类别ID
            name, bbox, conf, cls_id = info['class_name'], info['bbox'], info['score'], info['class_id']
            label = '%s %.0f%%' % (name, conf * 100)  # 创建标签，包含类别名称和置信度
            # 画出检测到的目标物
            image = drawRectBox(image, bbox, alpha=0.2, addText=label, color=colors[cls_id])  # 在图像上绘制边界框和标签

    print("推理时间: %.2f" % use_time)  # 打印预测所用的时间
    window.dispImage(window.label, image)  # 在窗口的label上显示图像
    # 显示窗口
    window.show()
    # 进入 Qt 应用程序的主循环
    sys.exit(app.exec()))

        检测结果会包含诸如类别名称、边界框、置信度等信息。我们使用drawRectBox函数在图像上绘制这些边界框和标签，并为每个检测到的对象分配一个随机颜色。最后，我们将处理后的图像展示在GUI上，并将应用程序的执行流交给Qt的事件循环。

        通过这段代码，我们展示了如何实现一个完整的目标检测应用程序。从模型的加载到最终的用户交互，这个过程体现了现代深度学习应用的开发模式，将先进的算法与用户友好的界面结合起来，以满足实际应用场景的需求。

---

5. 植物病害检系统实现

        在设计交互式植物病害检与识别系统的过程中，我们采取了一个模块化和层次化的方法，以确保系统既高效又易于维护。我们的系统设计思路是围绕用户体验来构建的，旨在提供一个直观、响应迅速的用户界面，同时在后台执行复杂的图像处理和目标检测任务。

5.1 系统设计思路

        在我们的系统设计中，我们将详细探讨设计一个交互式植物病害检测系统的思路。我们的目标是创建一个易于使用的GUI应用程序，该应用程序能够利用深度学习模型识别和定位图像中的植物病害。为了实现这一目标，我们采用了一个整合界面、媒体处理和模型预测的全面设计方案。

（1）架构设计
        在开发交互式植物病害检与识别系统的过程中，我们的核心理念是将高效的图像识别技术与直观的用户界面(UI)相结合，从而提供一个即插即用的解决方案，它能够快速且准确地识别各种植物病害。此系统设计采用了模块化的架构，每一部分都承担着特定的职责，确保整个系统既高效又易于维护。

        在我们的系统中，界面的简洁性和直观性至关重要，因此在界面层，我们设计了一系列用户交互元素，使得用户能够轻松上传图像、开始检测过程，并查看检测结果。界面的设计不仅仅是为了美观，更多的是为了提升用户体验，减少操作复杂性，确保用户能够在没有技术背景的情况下也能顺利使用系统。

        为了实现图像中植物病害的准确检测，我们在处理层引入了YOLOv8Detector类，这是一个封装了YOLOv8模型的处理器，能够处理输入的图像并输出检测结果。这个预训练的模型经过大量数据的训练，已经具备了高精度识别植物病害的能力。在检测过程中，系统会将图像传递给这个处理器，然后快速返回包含了病害类型和位置信息的结果。

        在控制层，我们设计了一系列槽函数，这些函数响应界面层的用户操作，如“检测”按钮的点击事件。控制层会指挥处理层执行图像的检测任务，并将结果反馈给界面层，更新界面上的信息显示。我们利用PySide6的信号和槽机制来实现这种层间的通信，这种机制不仅使得代码的组织更加清晰，还提高了各个模块间的数据处理效率。

        通过这种分层的设计，我们的系统不仅提高了代码的可读性和可维护性，而且也增强了系统的稳定性和扩展性。用户可以直观地进行植物病害检测，而开发者也可以在不影响用户体验的情况下，轻松地对模型和界面进行升级和维护。这样的设计思路确保了我们的系统能够适应未来技术的发展，同时也满足了当前用户对于高效率和高准确率检测系统的需求。

（2）系统流程

        在本篇博客中，我们将探讨如何使用先进的深度学习技术构建一个交互式植物病害检测系统。这个系统能够实时地识别和定位图像中的植物病害，并通过友好的用户界面显示结果，从而为用户提供一个全面的解决方案。

1. 系统的入口是MainWindow类的实例化，它负责加载用户界面和初始化必要的参数配置。界面的设计直观易懂，允许用户方便地选择图像输入源。输入源的灵活性是这个系统的一大亮点，用户可以从实时摄像头捕获、视频文件或是本地图像库中选择。这为用户在不同场景下的需求提供了广泛的选择。

2. 一旦输入源被选定，系统就会激活对应的媒体处理器，这些处理器负责图像的获取和预处理。这一阶段是为了确保输入的数据符合YOLOv8模型的要求，通过对图像进行缩放、色彩空间转换和归一化等操作，为后续的检测阶段做好准备。

3. 当媒体输入源被准备好后，系统进入到连续帧处理的环节。在这个环节中，每一帧图像都会经过预处理，然后被送入YOLOv8模型进行精确的植物病害检测和识别。利用深度学习的强大能力，模型能够识别出图像中的病害特征，并给出具体的类别和位置信息。

4. 随着结果的生成，系统的界面会实时更新，不仅展示了检测框和类别标签，还会在界面上的图表或条形图中展示出检测结果的统计数据。这样的实时反馈使得用户可以直观地观察系统的性能，并能够根据检测结果进行进一步的操作。

5. 用户交互是这个系统的另一个重要特点。系统提供了多种交互按钮和菜单，用户可以通过这些功能保存结果、查询系统信息，甚至是筛选和分析特定的检测数据。此外，媒体控制选项让用户能够按需暂停和恢复图像捕获或分析，提供了更高的操作灵活性。

        综上所述，交互式植物病害检测系统通过精心设计的用户界面和强大的后端算法，实现了从数据输入到结果输出的全过程自动化，极大地降低了用户操作的复杂性，提高了检测的效率和准确性。它不仅能够帮助用户快速识别和处理植物病害问题，而且其设计理念和流程对于未来类似系统的开发提供了宝贵的参考。

5.2 登录与账户管理

        在当今信息化时代，账户管理与数据安全变得尤为重要。我们的植物病害检测系统深刻理解到这一点，并在系统中集成了一套完善的用户登录与账户管理功能。这个功能不仅保证了用户数据的安全性，也极大地提升了用户体验。

        系统的账户管理是基于PySide6——一个强大的Python库，以及SQLite——一个轻量级的数据库系统构建的。这一结合不仅保障了系统的稳定性和数据的安全性，同时也使得界面操作直观且响应迅速。用户首次使用系统时，可以通过简单的注册流程创建自己的账户。注册过程设计得既简洁又包含必要的安全性考量，如密码强度验证等。

        一旦完成注册，用户就能通过登录界面访问系统的主要功能。登录界面的设计旨在为用户提供一个简单、无缝的入口，进而进入到植物病害检测的核心功能。此外，账户管理系统还支持用户在使用过程中更新个人信息，如修改密码、设置个性化头像，以及在需要时注销账户。这些细节的考虑使得每个用户都能拥有一个个性化且安全的使用环境，他们可以在其中保存个人的检测记录和偏好设置。

        而在主界面中，用户可以体验到实时的植物病害检测，系统能够处理图片、视频、实时摄像头捕获的图像以及批量文件输入，并展示包括检测框、类别和置信度在内的详细信息。所有这些功能都紧密结合，确保用户能够无缝地在注册、登录、检测和管理个人账户之间切换，从而优化整个用户的操作流程。

        这样的系统设计允许用户专注于植物病害的检测任务，而不必担心个人数据的安全问题。无论是在家庭农场还是在工业农业环境中，用户都能依赖这个系统来帮助他们监测和管理植物健康。账户管理系统的加入，不仅让用户能够保留自己的操作历史，还能够让管理者在需要时进行审计和监督。这种设计思想和实现，不仅提高了系统的实用性和安全性，还为未来可能的拓展提供了坚实的基础。

---

下载链接

    若您想获得博文中涉及的实现完整全部资源文件（包括测试图片、视频，py, UI文件，训练数据集、训练代码、界面代码等），这里已打包上传至博主的面包多平台，见可参考博客与视频，已将所有涉及的文件同时打包到里面，点击即可运行，完整文件截图如下：

完整资源中包含数据集及训练代码，环境配置与界面中文字、图片、logo等的修改方法请见视频，项目完整文件下载请见演示与介绍视频的简介处给出：➷➷➷

演示与介绍视频：https://www.bilibili.com/video/BV1Mr421W788/
YOLOv8/v7/v6/v5项目合集：https://mbd.pub/o/bread/mbd-ZZuakpdw
YOLOv8/v5项目完整资源：https://mbd.pub/o/bread/ZZuakpdp
YOLOv7项目完整资源：https://mbd.pub/o/bread/ZZuakpdq
YOLOv6项目完整资源：https://mbd.pub/o/bread/ZZuakpdr

    在文件夹下的资源显示如下，下面的链接中也给出了Python的离线依赖包，读者可在正确安装Anaconda和Pycharm软件后，复制离线依赖包至项目目录下进行安装，另外有详细安装教程：（1）Pycharm软件安装教程；（2）Anaconda软件安装教程；（3）Python环境配置教程；

离线依赖安装教程：https://www.bilibili.com/video/BV1hv421C7g8/
离线依赖库下载链接：https://pan.baidu.com/s/1y6vqa9CtRmC72SQYPh1ZCg?pwd=33z5 （提取码：33z5）

6. 总结与展望

        在本博客中，我们详细介绍了一个基于YOLOv8模型的植物病害检系统，还实验了YOLOv7、YOLOv6、YOLOv5等模型。系统以模块化的方式设计，充分采用了合理的架构设计，带来良好的可维护性和可扩展性。其用户界面友好，能够提供实时的植物病害检和识别结果展示，同时支持用户账户管理，以便于保存和管理检测结果和设置。

        该系统支持摄像头、视频、图像和批量文件等多种输入源，能够满足用户在不同场景下的需求。在后面可以添加更多预训练模型，增加检测和识别的种类；优化用户界面，增强个性化设置；并积极聆听用户反馈，以期不断改进系统，以更好地满足用户的需求。

---

结束语

        由于博主能力有限，博文中提及的方法即使经过试验，也难免会有疏漏之处。希望您能热心指出其中的错误，以便下次修改时能以一个更完美更严谨的样子，呈现在大家面前。同时如果有更好的实现方法也请您不吝赐教。

---

1. Wu W, Liu H, Li L, et al. Application of local fully Convolutional Neural Network combined with YOLO v5 algorithm in small target detection of remote sensing image[J]. PloS one, 2021, 16(10): e0259283. ↩︎

2. Li C, Li L, Jiang H, et al. YOLOv6: A single-stage object detection framework for industrial applications[J]. arXiv preprint arXiv:2209.02976, 2022. ↩︎

3. Wang C Y, Bochkovskiy A, Liao H Y M. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2023: 7464-7475. ↩︎

4. Talaat F M, ZainEldin H. An improved fire detection approach based on YOLO-v8 for smart cities[J]. Neural Computing and Applications, 2023, 35(28): 20939-20954. ↩︎