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 = "StudyRoom"
    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
    )

        之后，我们开始准备模型的训练。代码加载了YOLOv8的预训练权重，并设置了训练任务的相关参数，如图像大小、训练周期、批次大小等。这些参数对训练过程至关重要，因为它们直接影响模型学习的效率和效果。

        整个训练过程中，我们通过精心设计的实验来确保结果的可靠性，同时也保证了训练的高效性。通过这段代码的介绍，不仅能够了解YOLOv8模型的训练过程，还能够对深度学习在目标检测任务中的应用有一个实际的认识。

        在我们的YOLOv8模型训练过程中，损失函数和性能指标的监测对于理解模型的学习进度和行为至关重要。通过深入分析训练和验证阶段的损失函数图像，我们可以对模型的性能做出细致的评估。

        图中的“train/box_loss”、“train/cls_loss”和“train/obj_loss”代表训练过程中边界框损失、分类损失和目标损失。对应的“val”开头的图则表示验证集上的相同损失。从图中可以看出，所有的损失值随着训练周期的增加而逐渐下降，这表明模型在逐步学习并提高其对数据的理解能力。特别是验证集上的损失下降表明模型具有良好的泛化能力，并不是简单地记住了训练数据。损失曲线的平滑趋势也显示了训练过程的稳定性。

        接下来，我们看到了“precision”和“recall”两个图，这两个指标分别衡量了模型识别出正确目标的准确性和完整性。在训练的初期，随着模型逐渐学习，精确度和召回率迅速提高，随后逐渐趋于稳定。高精确度意味着模型在预测时产生的误报较少，而高召回率则表示模型能够检测到大部分的正类样本。这两个指标通常需要权衡，但图中显示的都是向上的趋势，这表明模型在保持较少误报的同时，也能够识别出大多数的正类样本。

        最后，“metrics/mAP50”和“metrics/mAP50-95”指标代表了模型在不同IoU阈值下的平均精确度。mAP（mean Average Precision）是衡量目标检测模型性能的关键指标，mAP50指的是在IoU=0.5时的平均精确度，而mAP50-95则是IoU从0.5到0.95的平均精确度。从图中我们可以看到，两个指标都随着训练周期的增加而逐渐上升，mAP50的增长尤为显著，这意味着模型在较为宽松的IoU阈值下性能较好。而mAP50-95的稳步上升则表明模型对于不同程度重叠的目标也具有较好的识别能力。

        F1分数是精度和召回率的调和平均值，它为我们提供了一个衡量模型分类准确性的综合指标。在这幅图中，每条曲线代表了不同教室人员类别在各个置信度阈值上的F1分数，而最厚的蓝色线代表了所有类别的平均F1分数。

        下图为博主训练教室人员检测的F1曲线图。从图中我们可以看到，随着置信度阈值的增加，F1分数首先迅速上升，并在某一点达到高峰，随后随着置信度的继续增加而急剧下降。具体来说，当置信度阈值约为0.388时，F1分数达到了0.94的峰值。这个高峰值表明，在此置信度阈值下，模型在保持较高召回率的同时也具有较高的精确度。然而，当置信度阈值继续提高时，尽管我们可以预期精确度会提高（因为模型更加“自信”地做出预测），但F1分数的显著下降表明召回率的降低对性能的影响更大。这可能是由于模型开始漏掉更多的真正例（True Positives），导致漏检（Missed Detections）的增加。

         在实际应用中，选择一个合适的置信度阈值至关重要，因为这将直接影响到模型在实际环境中的表现。对于教室人员检测与计数的任务，一个较低的F1分数可能意味着在计数时遗漏了一部分人员，或是错误地将非人员对象识别为人员。在此情况下，我们可以根据F1-置信度曲线来选择一个最优的置信度阈值，以便在精确率和召回率之间取得最佳平衡。

         通过对F1-置信度曲线的分析，我们可以得出结论，YOLOv8模型在特定的置信度阈值下能够实现优秀的性能。然而，我们也应该注意到，随着置信度阈值的不断提高，模型的召回率可能会下降，导致性能急剧下降。因此，在部署模型之前，应该通过调整置信度阈值，来确保模型能够在精确率和召回率之间保持最佳的平衡，从而在实际应用中达到最优的性能。

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几种模型在教室人员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。该数据集包含教室人员的图像。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	0.966	0.933	0.969	0.969
F1-Score	0.93	0.89	0.94	0.94

（3）实验结果分析：

        在本节中，我们将对YOLO系列中的几个版本——YOLOv5nu、YOLOv6n、YOLOv7-tiny和YOLOv8n——在相同数据集上的性能进行对比分析，基于两个核心的度量指标：平均精度（mAP）和F1-Score。

        YOLOv5nu在mAP指标上表现出色，达到了0.966，这显示了其在检测精确性上的优势。然而，其F1-Score为0.93，虽然相对较高，但并未超越YOLOv7-tiny和YOLOv8n。YOLOv6n在这四种模型中的mAP最低，为0.933，F1-Score也是最低的0.89，这表明YOLOv6n在平衡精确率和召回率方面存在一定的不足。YOLOv7-tiny和YOLOv8n在两个指标上都表现出极为接近的性能，mAP都达到了0.969，而F1-Score均为0.94。这一结果意味着在较小模型（YOLOv7-tiny）和最新版本（YOLOv8n）之间，尽管存在模型结构和计算复杂度的差异，它们在实际检测任务上的性能却十分接近。

        通过这些数据的比较，我们可以发现，随着YOLO系列版本的更新，模型的性能在不断提升。尤其是在YOLOv7和YOLOv8这两个较新的版本中，我们看到了在精度和F1-Score上的显著提高，这可能得益于模型架构上的优化、损失函数的改进以及训练策略的调整等因素。

        在实际应用中，我们可以根据具体任务的需求和计算资源的限制来选择合适的模型。例如，如果资源受限，可能会倾向于选择一个较小的模型，如YOLOv7-tiny；如果追求极致的性能，可以选择YOLOv8n。但不论选择哪一个版本，YOLO系列的这几个版本都已经证明了其在教室人员检测与计数任务上的有效性和可靠性。通过这一节的分析，我们可以看出YOLO算法的发展带来了显著的性能提升，并且每一次迭代都在不断突破目标检测的极限。

4.4 代码实现

        在本篇博客文章中，我们将深入探讨如何使用YOLOv8模型进行教室考勤视频的实时物体检测。此过程涉及视频流的读取、图像预处理、物体检测、以及检测结果的可视化。

（1）导入必要的模块和配置
       我们首先需要导入一系列Python模块，这些模块是处理视频流、图像处理、文件路径和构建用户界面不可或缺的工具。sys模块允许我们与Python运行时环境进行交互，time模块帮助我们记录和计算推理时间，cv2即OpenCV库则是用于实施图像处理和物体检测的核心。而QtWidgets和QtCore提供了创建图形用户界面所需的工具。

import sys  # 导入sys模块，用于处理Python运行时环境的一些操作
import time  # 导入time模块，用于处理时间相关的操作
import cv2  # 导入OpenCV库，用于处理图像和视频
from QtFusion.path import abs_path
from QtFusion.config import QF_Config
from QtFusion.widgets import QMainWindow  # 从QtFusion库中导入FBaseWindow类，用于创建主窗口
from QtFusion.handlers import MediaHandler  # 从QtFusion库中导入MediaHandler类，用于处理媒体数据
from QtFusion.utils import drawRectBox  # 从QtFusion库中导入drawRectBox函数，用于在图像上绘制矩形框
from QtFusion.utils import get_cls_color  # 从QtFusion库中导入get_cls_color函数，用于获取类别颜色
from PySide6 import QtWidgets, QtCore  # 导入PySide6库的QtWidgets和QtCore模块，用于创建GUI和处理Qt的核心功能
from YOLOv8Model import YOLOv8Detector  # 从YOLOv8Model模块中导入YOLOv8Detector类，用于进行YOLOv8物体检测
from datasets.StudyRoom.label_name import Label_list

QF_Config.set_verbose(False)

（2）定义类别和模型
        我们的模型YOLOv8Detector被初始化并加载了预训练的权重。我们还使用了get_cls_color函数为不同的类别分配颜色，以便在图像上用不同的颜色标记不同的对象。

cls_name = Label_list  # 定义类名列表

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
colors = get_cls_color(model.names)  # 获取类别颜色

（3）创建主窗口
        接着，我们定义了主窗口MainWindow，这是用户与我们的应用程序交互的界面。在这个窗口中，用户可以看到实时视频流和检测结果。定义keyPressEvent方法使用户能够通过简单的按键操作来控制程序。

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

        在实时物体检测系统中，图像的处理和分析是最关键的步骤。为此，我们定义了frame_process函数来处理视频的每一帧。在这个函数中，我们调整图像大小，使其适应我们的模型输入要求，并将其传入模型进行预测。每次预测后，我们都会计算并打印推理时间，确保我们的系统能够满足实时处理的需求。完成图像处理和物体检测后，我们需要将结果反馈给用户。这涉及到在检测到的物体周围绘制边界框，并将其显示在主窗口中。这不仅提供了对模型性能的即时反馈，也使用户能够直观地观察系统的检测效果。

def frame_process(image):  # 定义帧处理函数，用于处理每一帧图像
    image = cv2.resize(image, (850, 500))  # 将图像的大小调整为850x500
    pre_img = model.preprocess(image)  # 对图像进行预处理

    t1 = time.time()  # 获取当前时间
    pred = model.predict(pre_img)  # 使用模型进行预测
    t2 = time.time()  # 获取当前时间
    use_time = t2 - t1  # 计算预测所花费的时间

    print("推理时间: %.2f" % use_time)  # 打印预测所花费的时间
    det = pred[0]  # 获取预测结果
    # 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
            name, bbox, conf, cls_id = info['class_name'], info['bbox'], info['score'], info[
                'class_id']  # 获取类别名称、边界框、置信度和类别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

    window.dispImage(window.label, image)  # 在窗口的label上显示图像

        最后，我们设置了媒体处理器来处理视频流。当新的视频帧准备好时，它会触发我们定义的frame_process函数，实时处理并显示图像。这种设计允许我们的应用程序以高效的方式处理和展示连续的视频帧。

app = QtWidgets.QApplication(sys.argv)  # 创建QApplication对象
window = MainWindow()  # 创建MainWindow对象

filename = abs_path("test_media/JapanStreet.mp4", path_type="current")  # 定义视频文件的路径
videoHandler = MediaHandler(fps=30)  # 创建MediaHandler对象，设置帧率为30fps
videoHandler.frameReady.connect(frame_process)  # 当有新的帧准备好时，调用frame_process函数进行处理
videoHandler.setDevice(filename)  # 设置视频源
videoHandler.startMedia()  # 开始处理媒体

# 显示窗口
window.show()
# 进入 Qt 应用程序的主循环
sys.exit(app.exec())

        整个程序的设计体现了一个端到端的实时物体检测应用程序的构建过程。用户界面、视频处理、模型预测与结果展示的每一个步骤都紧密相连，展示了深度学习模型在实际应用中的强大能力。

---

5. 教室人员检测与计数实现

        在构建我们的交互式教室人员检测与识别系统时，我们采取了一种集成化的系统设计思路，旨在提供一个高效、直观并且用户友好的操作环境。此系统的设计理念基于模块化的架构，使得界面层、处理层和控制层能够紧密而清晰地协作。

5.1 系统设计思路

        在我们的系统设计中，我们的核心设计理念是打造一个集成化、高效且用户友好的应用。我们的系统设计围绕着三个关键层面展开：处理层、界面层和控制层，它们共同构成了一个紧密协作、功能分明的结构。
（1）架构设计
        在MainWindow类的架构设计中，采用了处理层、界面层、控制层的设计模式。这个系统的设计充分考虑了用户体验和系统性能，通过合理的架构设计和技术选型，实现了一个高效且易于使用的教室人员检测与识别系统。

        在处理层，我们采用了YOLOv8Detector类，这是一个先进的物体检测模型，它搭载了预训练的算法并封装了一系列的数据预处理和后处理方法。这一层的设计确保了检测任务的准确性和实时性，为用户提供了高精度的人员计数功能。我们的模型不仅可以识别出图像中的人员，还能提供关于检测目标的详细信息，如边界框、类别和置信度等。

        界面层则是用户与系统交互的前端，我们通过Ui_MainWindow类创造了一个直观且易于操作的图形用户界面。该界面包括了视频展示窗口、实时检测统计信息显示，以及各种控制按钮和设置选项。用户可以通过这个界面层观看实时视频流、查看检测结果，或是调整设置以优化检测性能。

        控制层作为系统的神经中枢，负责协调用户界面和处理器的交互。MainWindow类通过实现一系列槽函数和方法来响应用户的各种操作，如开始或停止视频流、调整模型参数等。同时，通过利用Qt框架的信号和槽机制，我们能够实现不同组件之间的无缝数据传递和事件触发。这一层确保了整个系统运行的有序性，使用户的每一次操作都能得到及时且准确的反馈。

        整个系统的设计思路旨在使用户能够轻松地进行教室人员的检测与计数，无需深入了解背后复杂的算法和编程细节。通过简洁的界面和强大的后端处理能力，我们的系统不仅能提高教室管理的效率，也能为用户带来愉悦的使用体验。这样的系统设计将先进的人工智能技术与日常应用场景相结合，展示了技术与实用性的完美融合。

（2）系统流程

        在我们的最新博客中，我们将细致探讨如何构建一个交互式的教室人员检测与计数系统。该系统基于复杂的深度学习模型，但为用户提供了一个简洁直观的操作界面。整个系统的流程设计旨在确保用户从启动应用到获取最终检测结果的每一步都尽可能简便且高效。

1. 当用户启动应用程序时，系统首先初始化MainWindow类的实例。这个实例不仅负责设立用户操作的界面，还对整个应用的运行参数进行配置。用户在这个友好的界面中，可以轻松地选择自己的输入源，无论是来自摄像头的实时图像流，还是预录制的视频文件，亦或是单个的静态图片。

2. 一旦输入源被确定，系统随即调动媒体处理器进行数据处理。这个过程可能包含对摄像头的设置调整，对视频文件的解码读取，或是对图片文件的加载解析。这一步是自动进行的，用户无需关心背后复杂的技术细节。

3. 在媒体输入源就绪后，系统进入持续的帧处理循环。在这一环节，每帧图像都将经过精心设计的预处理流程，以满足YOLOv8模型的输入需求。预处理包括调整图像尺寸、转换色彩空间、以及数据归一化等步骤。随后，预处理好的图像送入YOLOv8模型进行检测与识别，系统利用模型的强大能力准确地输出每个人员的位置及数量。

4. 界面更新是实时进行的。随着检测结果的不断产生，用户将在界面上看到实时的检测框和人数统计。这种即时反馈不仅增强了用户体验，也使得用户能够立即采取行动，如调整摄像头角度以获得更好的检测效果。

5. 用户交互设计是本系统的另一亮点。应用程序界面上的按钮和菜单允许用户执行各种操作，如保存检测记录、访问帮助信息，或者筛选特定的数据进行更深入的分析。用户可以根据需要，随时调整系统设置，使其更贴合实际的应用场景。

6. 最后，媒体控制功能让用户能够管理视频或图像流的播放状态。用户可以随时开始或停止视频流，控制播放进度，甚至是暂停图像分析，以便更细致地检查某一时刻的情况。

        综上所述，这一系统设计思路将高科技的深度学习模型与用户友好的交互式界面结合起来，旨在为教育机构提供一个既智能又易用的教室管理工具。通过这样的系统，教育工作者可以更轻松地进行教室监控，优化课堂管理，最终提升教学质量和学生的学习体验。

5.2 登录与账户管理

        在我们的教室人员检测与计数系统中，我们不仅注重于算法的准确性和实时性，还同样重视用户体验和数据管理的便捷性。为了满足用户在不同场景下对系统的操作和数据管理的需求，我们特别设计了一套完善的用户登录与账户管理系统。

        此系统基于PySide6构建了图形用户界面，并使用SQLite作为数据库支持，确保了账户信息的安全存储和快速检索。用户首次使用时，可以通过注册功能创建自己的账户，设定个人密码，并上传头像，完成个性化设置。这些初步的设置为用户在后续使用中提供了便利，确保了检测结果和用户设置的私密性和个性化。

        账户管理的功能不仅停留在初始设置上。为了提高用户的使用安全和体验，系统还允许用户在后续使用过程中修改密码，调整头像，甚至在需要时注销账户。这些操作通过用户登录界面完成，无需复杂的步骤，既方便了用户，也保证了系统的安全性。

        在用户完成账户设置后，系统将引导用户进入主界面，开始教室人员的检测与计数工作。用户可以选择图片、视频、实时摄像头或批量文件输入作为检测源。主界面将实时显示检测框、类别和置信度等信息，用户可以直观地看到每一帧画面中的人员检测情况。这些检测结果将与用户账户关联，用户可以在自己的空间中查看、管理和导出检测记录。

        我们的系统设计旨在将先进的深度学习模型应用于实际的教室场景中，同时提供一个简单、安全且个性化的用户操作界面。通过这样的设计，用户不仅可以获得高效准确的人员检测服务，还可以享受到便捷和安全的数据管理体验。这使得我们的系统不仅适用于教育工作者进行课堂管理，也适合需要严格考勤和人员管理的商业场所使用。

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/BV1rJ4m1Y7eS/
YOLOv8/v7/v6/v5项目合集：https://mbd.pub/o/bread/mbd-ZZuakpps
YOLOv8/v5项目完整资源：https://mbd.pub/o/bread/ZZuakppt
YOLOv7项目完整资源：https://mbd.pub/o/bread/ZZuakppu
YOLOv6项目完整资源：https://mbd.pub/o/bread/ZZuakppv

    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模型的教室人员检测与计数，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，能够提供实时的教室人员检测和识别结果展示，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. 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. ↩︎

3. Han K, Wang Y, Chen H, et al. A survey on vision transformer[J]. IEEE transactions on pattern analysis and machine intelligence, 2022, 45(1): 87-110. ↩︎

4. 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. ↩︎

5. . 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. ↩︎