class YOLOv8v5Detector(Detector):
    def __init__(self, params=None):
        super().__init__(params)
        self.model = None
        self.img = None
        self.names = list(Chinese_name.values())
        self.params = params if params else ini_params
	def load_model(self, model_path):
	    self.device = select_device(self.params['device'])
	    self.model = YOLO(model_path)
	    names_dict = self.model.names
	    self.names = [Chinese_name[v] if v in Chinese_name else v for v in names_dict.values()]
	    self.model(torch.zeros(1, 3, *[self.imgsz] * 2).to(self.device).type_as(next(self.model.model.parameters())))
	def preprocess(self, img):
	    self.img = img
	    return img
	
	def predict(self, img):
	    results = self.model(img, **ini_params)
	    return results
	
	def postprocess(self, pred):
	    results = []
	    for res in pred[0].boxes:
	        for box in res:
	            class_id = int(box.cls.cpu())
	            bbox = box.xyxy.cpu().squeeze().tolist()
	            bbox = [int(coord) for coord in bbox]
	            result = {
	                "class_name": self.names[class_id],
	                "bbox": bbox,
	                "score": box.conf.cpu().squeeze().item(),
	                "class_id": class_id,
	            }
	            results.append(result)
	    return results
	    
    def set_param(self, params):
        self.params.update(params)

        在predict方法中，使用YOLO模型对输入图像进行预测，根据ini_params中的参数执行目标检测。随后，在postprocess中，对模型输出的预测结果进行解析和格式化，转换为包含类别名称、边界框、置信度、类别ID的结构化数据。这一步是实现检测功能的关键，它将模型的原始输出转化为可用于进一步分析和展示的信息。最后，set_param方法允许我们更新模型参数，增加了代码的灵活性。这使得模型可以根据不同的应用场景或用户需求，调整如置信度阈值和IOU阈值等关键参数。

        整体而言，这些代码的组织体现了水下目标检测系统的完整流程：从图像处理到模型预测，再到结果的后处理和参数的调整，每一步都为实现精准有效的水下目标检测而精心设计。

4.3 训练代码

        在这一部分的博客内容中，我们将逐步深入探究水下目标检测系统中用于训练深度学习模型的核心代码。本次训练采用的是基于PyTorch的YOLOv8算法，这是一个为了实现实时目标检测而广泛应用的深度学习框架。以下表格详细介绍了YOLOv8模型训练中使用的一些重要超参数及其设置：

超参数	设置	说明
学习率（lr0）	0.01	决定了模型权重调整的步长大小，在训练初期有助于快速收敛。
学习率衰减（lrf）	0.01	控制训练过程中学习率的降低速度，有助于模型在训练后期细致调整。
动量（momentum）	0.937	加速模型在正确方向上的学习，并减少震荡，加快收敛速度。
权重衰减（weight_decay）	0.0005	防止过拟合，通过在损失函数中添加正则项减少模型复杂度。
热身训练周期（warmup_epochs）	3.0	初始几个周期内以较低的学习率开始训练，逐渐增加到预定学习率。
批量大小（batch）	16	每次迭代训练中输入模型的样本数，影响GPU内存使用和模型性能。
输入图像大小（imgsz）	640	模型接受的输入图像的尺寸，影响模型的识别能力和计算负担。

        环境设置与模型加载：这里，我们导入了os模块来处理文件路径问题，torch库是深度学习框架PyTorch的核心，而yaml用于处理YAML文件格式的数据。abs_path函数来自QtFusion库，它帮助我们获取数据集配置文件的绝对路径。

import os
import torch
import yaml
from ultralytics import YOLO  # 用于加载YOLO模型
from QtFusion.path import abs_path  # 用于获取文件的绝对路径

        我们确认是否有可用的计算资源，并设置了设备变量以决定模型训练的运行平台。通过检查torch.cuda.is_available()，我们可以确定是否有GPU可用，并据此设置device变量。

device = "0" if torch.cuda.is_available() else "cpu"

        数据集准备：接下来，代码片段处理了用于训练的数据集配置文件。在深度学习中，YAML文件通常用来存储训练过程中需要的参数，如数据集路径、类别信息等。我们确定了data_name，这是我们数据集的名称，然后生成了指向YAML配置文件的路径。通过读取这个文件，我们可以调整和确认训练过程中的关键参数。代码还包含了路径转换和文件写入操作，以确保训练时路径的正确性。

workers = 1  # 工作进程数
batch = 8  # 每批处理的图像数量
data_name = "Underwater"
data_path = abs_path(f'datasets/{data_name}/{data_name}.yaml', path_type='current')
unix_style_path = data_path.replace(os.sep, '/')

        接下来，我们读取YAML配置文件，并对其进行处理，以确保所有的路径都是正确的。YAML配置文件通常包含了训练数据集的路径、类别信息以及其他相关的配置项。我们将修改后的数据路径写回配置文件，以确保模型训练时数据的正确加载。

directory_path = os.path.dirname(unix_style_path)
with open(data_path, 'r') as file:
    data = yaml.load(file, Loader=yaml.FullLoader)

if 'path' in data:
    data['path'] = directory_path
    with open(data_path, 'w') as file:
        yaml.safe_dump(data, file, sort_keys=False)

        训练模型：在准备好所有必要的配置后，我们加载了预训练的YOLO模型。YOLOv8n.pt是一个训练好的权重文件，可以为我们的训练任务提供一个良好的起点。然后，我们进入模型的训练过程。通过调用model.train()函数，我们可以详细地设置训练参数，如图像大小、训练周期、批次大小和工作进程数。这些参数对于训练效率和模型性能有着直接的影响。在这里，data参数指向我们的数据集配置文件，device指定训练使用的硬件（在这个案例中是GPU），workers定义了数据加载的进程数，imgsz设置了输入图像的尺寸，epochs定义了整个数据集循环的次数，batch决定了每次训练传递给模型的图像数量，最后，name参数为训练任务提供了一个识别名称。

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
)

        此训练代码的专业性在于它的精细配置，能够为深度学习模型提供准确、高效的训练。通过优化这些参数，我们可以确保模型在水下目标检测任务上达到最佳性能。

---

5. 实验结果与分析

5.1 训练曲线

        在对水下目标检测模型YOLOv8的训练过程进行分析时，损失函数图像为我们提供了模型性能的关键指标。这些图表描绘了模型在训练和验证过程中的表现，其中包括损失函数的变化和模型准确度的指标，如精确度、召回率和平均精度（AP）。

        让我们首先聚焦于损失函数的趋势。模型在训练过程中显示出了持续下降的趋势，在各个损失函数图像中，无论是边界框损失（box_loss）、分类损失（cls_loss）还是目标损失（dfl_loss），均可以观察到这一点。损失的下降说明模型逐渐在学习如何减少预测误差，这在训练集和验证集上均得到了证实，表明了模型在识别目标边界、分类目标和精确定位方面的进步。特别是在训练过程初期，损失函数下降得最为迅速，这通常是由于模型从随机权重开始学习，并快速适应训练数据。随着训练的进行，损失函数曲线趋于平稳，表明模型在趋向收敛，即学习到了数据中的主要特征。

        进一步观察精确度和召回率的指标，可以发现这两个指标都表现出良好的上升趋势，且在训练过程中逐渐趋于稳定。精确度指标表明模型在预测正类时的准确性，而召回率则说明模型识别出的正类占实际正类的比例。二者均趋近于1.0，说明模型在综合判断目标的存在及其所属类别上表现优秀。这两个指标的结合为我们提供了一个全面的性能评估，表示模型在保持高检测率的同时，避免了过多的误检。

        最后，平均精度（AP）和mAP（平均精度均值）为我们展示了模型的整体性能。mAP是目标检测领域中最常用的性能评价指标之一，其值越高，表明模型的检测性能越好。图表中的AP和mAP指标分别针对不同IoU阈值（Intersection over Union，一个评价检测框与实际标注框重叠程度的指标）的情况，包括[email protected]和[email protected]。我们可以看到，在较宽松的IoU阈值（0.5）下，模型的mAP接近0.9，而在更严格的阈值范围内（0.5-0.95），mAP也表现出了令人满意的值。这种结果表明模型在不同程度的严格标准下都能保持高效的识别性能。

        通过对损失和准确度指标的综合分析，我们可以确定模型在水下目标检测任务上具有很强的学习能力和预测性能。损失的持续下降和准确度指标的上升表明了训练过程的有效性。同时，稳定的mAP值也展现了模型对于水下各类目标的泛化能力。

5.2 F1曲线图

        F1-Score是一个综合考虑了精确度和召回率的评价指标，它的最佳值是1（完美精确度和召回率），最差值是0。图中展示了不同类别目标在不同置信度阈值下的F1-Score变化，以及所有类别的整体F1-Score。

        从图中我们可以看出，随着置信度阈值的提高，各个类别的F1-Score都呈现了先升后降的趋势，这是因为随着置信度阈值增加，虽然模型减少了误检（提高了精确度），但同时也会错过一些正确的检测（降低了召回率）。在置信度阈值非常低的区域，模型捕获了更多的正样本，但同时也引入了更多的负样本，导致F1-Score较低。当置信度阈值设定得过高时，模型变得过于保守，仅当非常确定时才会标记目标，这虽然提高了精确度，却严重损害了召回率，因此F1-Score再次下降。

        观察整体趋势，所有类别的F1-Score在置信度阈值约为0.385时达到了峰值，这一点在曲线图中用蓝色标记表示，整体F1-Score达到了0.97的高分，说明模型在这一阈值下对于检测任务达到了良好的精确度与召回率的平衡。

        单独分析不同类别的表现，我们可以推测各个类别的目标特性和模型对这些特性的学习能力。例如，如果某个类别在较低的置信度阈值下F1-Score上升得很快，那可能意味着该类别的目标较易于检测，模型可以即使在较低的置信度下也能保持较高的召回率和精确度。而对于F1-Score在高置信度阈值下才达到峰值的类别，可能表明模型在区分这些类别时更为谨慎或这些类别的目标更难以识别。

        最后，要实现精准的水下目标检测，选择合适的置信度阈值至关重要，它直接影响到模型在实际应用中的有效性。通过这样的分析，研究人员可以进一步优化模型参数，以便在不牺牲精确度的情况下，尽可能提高召回率，从而在水下环境中实现更可靠的目标检测。

5.3 YOLOv8/v7/v6/v5对比实验

（1）实验设计：
        本实验旨在评估和比较YOLOv5、YOLOv6、YOLOv7和YOLOv8几种模型在水下目标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。该数据集包含水下目标的图像。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 作为衡量模型性能的重要指标，尤其在处理类别分布不均的数据集时显得尤为关键。它通过结合精确率与召回率，提供了一个单一的度量标准，能够全面评价模型的效能。精确率衡量的是模型在所有被标记为正例中真正属于正例的比例，而召回率则关注于模型能够识别出的真正正例占所有实际正例的比例。F1-Score通过两者的调和平均，确保了只有当精确率和召回率同时高时，模型的性能评估才会高，从而确保了模型对于正例的预测既准确又完整。
• mAP（Mean Average Precision）：在目标检测任务中，Mean Average Precision（mAP）是评估模型性能的重要标准。它不仅反映了模型对单个类别的识别精度，而且还考虑了所有类别的平均表现，因此提供了一个全局的性能度量。在计算mAP时，模型对于每个类别的预测被单独考虑，然后计算每个类别的平均精度（AP），最后这些AP值的平均数形成了mAP。

名称	YOLOv5nu	YOLOv6n	YOLOv7-tiny	YOLOv8n
mAP	0.987	0.988	0.979	0.987
F1-Score	0.97	0.98	0.96	0.97

（3）实验结果分析：

       在我们的水下目标检测任务中，通过对比YOLOv5nu、YOLOv6n、YOLOv7-tiny、YOLOv8n四个模型的mAP和F1-Score，我们旨在评估它们在精度和平衡性能上的表现。实验结果显示，YOLOv6n在mAP上略占优势，得分为0.988，而在F1-Score上，YOLOv6n和YOLOv8n均达到了0.97的较高分数，这意味着这两个模型在精确性和召回率之间取得了良好的平衡。

       mAP作为一种度量模型在整个置信度阈值范围内表现的指标，YOLOv6n的略高得分表明它在识别水下目标的准确性方面略胜一筹。这可能得益于算法优化，或者是因为YOLOv6n在处理该特定数据集时，对细节的识别和分类边界的判定上更加敏感。YOLOv7-tiny在这两个指标上得分较低，可能是因为它作为一种轻量级模型，在模型复杂性和识别精度之间做出了妥协，特别是在水下这种复杂多变的环境下，模型的深度和宽度对于捕捉细微特征尤其关键。

       YOLOv8n能够在F1-Score上取得与YOLOv6n相当的分数，显示出其对正负样本分类的均衡性能。相较于其他模型，YOLOv8n可能在网络结构和训练机制上做出了一些改进，这些改进可能增强了模型对于水下目标检测任务中类别不平衡和复杂背景的处理能力。

       在具体分析每个模型的表现时，我们需要考虑到水下目标检测的难点，包括模糊的视线、光照条件的不确定性、以及目标种类的多样性。YOLOv6n和YOLOv8n之所以能在这样的任务中表现出色，可能是因为它们在这些具体方面有所突破，例如通过更好的特征提取机制和更有效的损失函数来适应这种复杂的水下环境。

       总的来说，这些实验结果不仅提供了一个清晰的性能评估，也揭示了在水下目标检测这一具体应用场景中，不同版本的YOLO模型之间存在细微的差异。这些发现对于选择适合特定环境的目标检测模型具有重要参考价值，也为未来的研究提供了深入分析的基础。

---

6. 系统设计与实现

6.1 系统架构概览

        在设计基于YOLOv8/v7/v6/v5的水下目标检测系统时，我们遵循了模块化和高度可配置的原则，以适应不同水下环境和目标的检测需求。系统主要分为以下几个关键部分：数据预处理、模型训练与加载、目标检测与识别、结果展示和日志记录。接下来，将结合代码中的部分类和方法名，详细介绍系统的架构设计。

1. 数据预处理

        数据预处理是任何机器学习项目的关键步骤，尤其是在水下环境中。由于水下图像常常受到光照不足、水质浑浊等因素的影响，因此需要对原始图像进行预处理，以提高后续模型训练和检测的效果。在我们的系统中，preprocess 方法用于执行图像的尺寸调整、归一化等预处理操作。这一步骤确保了输入模型的图像具有统一的格式和尺寸，为高效准确的目标检测打下了基础。

2. 模型训练与加载

        模型训练是系统的核心，决定了目标检测的准确性和效率。我们采用的YOLOv8/v7/v6/v5模型因其快速、准确的特点而被选中。在YOLOv8v5Detector 类中，load_model 方法负责加载预先训练好的模型权重。这允许系统根据具体需求选择不同版本的YOLO模型，并通过加载相应的权重文件，快速部署到水下目标检测任务中。

3. 目标检测与识别

        在模型加载完成后，系统将进入目标检测与识别阶段。frame_process 方法是这一过程的核心，负责处理单个图像帧，调用YOLO模型进行预测，并处理预测结果。该方法利用模型进行目标检测，并根据检测结果绘制边界框，标注目标类别和置信度。此外，我们还设计了detect 方法来处理视频流或连续的图像帧，使系统能够在实时视频监控等应用场景下运行。

4. 结果展示和日志记录

        系统的最终目标是将检测结果以直观的方式展示给用户，并进行相应的日志记录。在我们的设计中，setupMainWindow 方法用于初始化用户界面，包括图像显示区域、控制选项和结果展示。LogTable 类和ResultLogger 类负责处理日志记录工作，包括检测结果的保存、格式化和导出。这些功能的实现，使得用户不仅可以实时查看目标检测的结果，还能够获得详细的日志信息，用于进一步分析和研究。

        综上所述，通过精心设计的系统架构和模块化的实现，我们的水下目标检测系统具备了高效处理和准确检测的能力。通过粗体标记的关键类和方法，我们希望能够为读者提供一个清晰、条理化的系统概览，助力于更深入地理解和应用基于YOLO的水下目标检测技术。

6.2 系统流程

        在我们基于YOLOv8/v7/v6/v5进行水下目标检测的系统中，流程的设计旨在高效准确地识别并处理水下图像中的目标。以下是系统流程的详细步骤，我们将以类和方法的形式，绘制出整个系统的运作蓝图。

1. 初始化设置：系统启动时，首先通过Detection_UI类的__init__方法进行初始化。在此阶段，会设置一些基本参数，如模型类型(model_type)、置信度阈值(conf_threshold)、IOU阈值(iou_threshold)以及摄像头选择(selected_camera)等。

2. 加载模型：接着，系统会根据选择的模型类型，通过YOLOv8v5Detector类的load_model方法，加载预训练的模型权重，这一步是进行有效检测的关键。

3. 界面布局设置：之后，通过setup_page和setup_sidebar方法，设置Streamlit页面的布局，包括侧边栏选项（模型设置、摄像头配置、文件上传等）。

4. 文件上传：用户可以选择上传图片或视频文件，或者直接从摄像头捕捉图像进行实时检测。这一步通过process_camera_or_file方法实现。

   • 若选择上传文件，系统将调用file_uploader接收上传的文件。
   • 若选择摄像头捕捉，系统将通过cv2.VideoCapture方法实现实时视频流的捕获。

5. 图像预处理：不论是静态图片、视频文件，还是实时捕获的图像，都会通过frame_process方法进行预处理，调整图像大小以适应模型输入要求。

6. 目标检测：预处理后的图像将输入到YOLO模型进行目标检测。frame_process方法内调用YOLOv8v5Detector类的predict方法进行检测，并根据设置的阈值筛选出结果。

7. 结果展示与记录：检测完成后，frame_process方法将处理检测结果，包括绘制边界框、标签和置信度。同时，检测结果会被记录到日志中，通过LogTable类实现。

8. 结果展示：处理后的图像将在主界面上展示。用户可以通过选择不同的显示模式（单画面或双画面显示）查看原始图像与检测结果图像。

9. 导出结果：系统提供“导出结果”按钮，允许用户将检测结果导出为CSV文件，通过LogTable类的save_to_csv方法实现。

10. 实时更新与控制：用户可通过侧边栏选项实时更新模型设置、选择不同的输入源。系统还提供了停止按钮，以便用户在实时检测模式下控制视频流的结束。

        通过上述步骤，我们的系统提供了一个高效、易用的平台，以支持水下目标的快速识别与分析。这不仅为水下研究提供了有力工具，也展示了YOLO系列模型在处理特殊环境下图像识别任务中的强大能力。

---

代码下载链接

         如果您希望获取博客中提及的完整资源包，包含测试图片、视频、Python文件(*.py)、网页配置文件、训练数据集、代码及界面设计等，可访问博主在面包多平台的上传内容。相关的博客和视频资料提供了所有必要文件的下载链接，以便一键运行。完整资源的预览如下图所示：

        资源包中涵盖了你需要的训练测试数据集、训练测试代码、UI界面代码等完整资源，完整项目文件的下载链接可在下面的视频简介中找到➷➷➷

演示与介绍视频 ：https://www.bilibili.com/video/BV13C411j7oD/
YOLOv8/v7/v6/v5项目合集下载：https://mbd.pub/o/bread/mbd-ZZ2YmJxq
YOLOv8和v5项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2Ykphp
YOLOv7项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2Yl5ly
YOLOv6项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2Yl59v

完整安装运行教程：

        这个项目的运行需要用到Anaconda和Pycharm两个软件，下载到资源代码后，您可以按照以下链接提供的详细安装教程操作即可运行成功，如仍有运行问题可私信博主解决：

1. Pycharm和Anaconda的安装教程：https://deepcode.blog.csdn.net/article/details/136639378；

        软件安装好后需要为本项目新建Python环境、安装依赖库，并在Pycharm中设置环境，这几步采用下面的教程可选在线安装（pip install直接在线下载包）或离线依赖包（博主提供的离线包直接装）安装两种方式之一：

2. Python环境配置教程：https://deepcode.blog.csdn.net/article/details/136639396（2,3方法可选一种）；
3. 离线依赖包的安装指南：https://deepcode.blog.csdn.net/article/details/136650641（2,3方法可选一种）；

        如使用离线包方式安装，请下载离线依赖库，下载地址：https://pan.baidu.com/s/1uHbU9YzSqN0YP_dTHBgpFw?pwd=mt8u （提取码：mt8u）。

---

7. 结论与未来工作

        本文通过深入研究并实践了基于YOLOv8/v7/v6/v5的深度学习模型在水下目标检测领域的应用，成功开发了一个集成这些先进算法的水下目标检测系统。通过对YOLO系列模型的多个版本进行详细的比较和细致的优化，本研究不仅显著提高了水下目标检测的准确性和实时性，还借助Streamlit构建了一个直观、高效且用户友好的Web应用，从而在水下探测和研究等实际应用场景中展现出巨大的潜力。

        通过一系列实验的验证，证明了我们提出的方法在提高水下目标检测的准确率和处理速度方面达到了高标准。此外，我们提供了一套完整的数据集处理、模型训练及预测过程，并详细介绍了基于Streamlit的系统架构设计和实现细节，为未来的研究者和开发人员提供了重要的参考和便利。尽管取得了显著成就，水下目标检测作为一个充满挑战的任务，还存在许多待解决的问题和改进空间。未来的工作将围绕以下几个方向展开：

• 模型优化：我们计划深入研究更先进的网络结构和优化策略，例如利用神经网络架构搜索（NAS）技术，以进一步提升模型的性能和效率。
• 多模态融合：考虑到水下环境的复杂性，我们将探索采用多模态学习方法，结合图像、声音等多种信息进行水下目标检测，以实现更为准确和鲁棒的检测效果。
• 跨域适应性：为了提高模型在不同水质、不同光照条件下的泛化能力，将研究跨域自适应技术，以优化模型的适应性和稳定性。
• 用户交互体验：进一步完善系统的用户界面和交互设计，使其更加直观和友好，以满足更广泛用户的需求，提高用户体验。
• 实际应用拓展：探索将水下目标检测技术应用于更多实际场景，如海洋生态监测、水下工程建设、海底资源勘探等，发挥其在社会经济发展中的作用。

        总而言之，基于YOLO系列模型的水下目标检测技术正处于快速发展阶段，随着技术的不断进步和应用范围的持续扩大，未来这一领域无疑将在海洋科学研究、水下工程、环境保护等多个领域发挥更加重要的角色。

---

1. Ma, Songzhe, et al. "LAYN: Lightweight Multi-Scale Attention YOLOv8 Network for Small Object Detection." IEEE Access (2024). ↩︎

2. Islam, Md Khairul, et al. "Enhancing lung abnormalities diagnosis using hybrid DCNN-ViT-GRU model with explainable AI: A deep learning approach." Image and Vision Computing 142 (2024): 104918. ↩︎

3. Jiang, Daqi, Hong Wang, and Yanzheng Lu. "An efficient automobile assembly state monitoring system based on channel-pruned YOLOv4 algorithm." International Journal of Computer Integrated Manufacturing 37.3 (2024): 372-382. ↩︎

4. Duan, Mingjiang, et al. "DGA-GNN: Dynamic Grou** Aggregation GNN for Fraud Detection." Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 38. No. 10. 2024. ↩︎

5. Ren, Kezheng, et al. "A data-driven DRL-based home energy management system optimization framework considering uncertain household parameters." Applied Energy 355 (2024): 122258. ↩︎