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)

        postprocess方法处理模型的输出。对于每个预测结果，我们从输出中提取类别、边界框和置信度分数，并将它们格式化为更易于理解和处理的形式。我们也将类别ID转换为对应的中文名称，再次强调易于理解。最后，set_param方法允许动态更新参数，使我们的检测器在运行时可以调整配置，以适应不同的检测需求。

        这部分代码是PCB板缺陷检测系统中至关重要的组成部分，它不仅封装了模型的加载、预测和结果处理，而且还提供了足够的灵活性，使系统可以适应多种运行条件。通过这种设计，我们的系统能够在保持高性能的同时，也能为用户提供直观和本地化的输出结果。

4.3 训练代码

        在我们的PCB板缺陷检测系统中，训练一个高效、准确的模型是实现目标检测的关键。我们使用的训练脚本是构建这一系统的核心，它涉及多个重要步骤，每个步骤都经过精心设计以确保最终模型的性能。以下是训练模型的详细代码介绍。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：首先，我们导入了os和torch库以及yaml解析库，它们是文件操作和模型训练不可或缺的工具。ultralytics库提供了YOLO模型的接口，QtFusion.path则是用来处理文件路径。

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

        接下来，我们定义device变量来指定训练时使用的设备，如果检测到可用的GPU，就使用第一块GPU（"0"），否则使用CPU。

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

        数据集准备：我们设置了数据加载所需的工作进程数量和批次大小，这两个参数有助于加速数据的加载过程和提高批次处理的效率。workers参数定义了多少个子进程被用来加载数据，而batch则决定了每次输入模型的数据量。我们还需要定义和读取训练数据集的配置文件。这个文件包含了训练和验证数据集的路径，以及分类的名称和类别。我们通过转换路径格式确保了它在不同操作系统间的兼容性。

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

        之后，我们通过读取并可能修改YAML配置文件来确保数据集的路径是正确的。如果需要，我们会将路径更新为正确的目录路径：

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：最后，我们加载预训练的YOLO模型，并开始训练流程。模型训练开始。我们指定了许多训练参数，包括训练数据的配置文件路径、选择的设备、工作进程数、输入图像大小、训练周期数和每批次的大小。这些参数被细心调整，以确保模型能够充分学习数据集中的特征，而不会发生过拟合。

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
)

        通过这个训练过程，我们期望训练出一个能够准确识别PCB板缺陷的模型，不仅在我们的验证集上表现良好，而且在实际的应用场景中也能保持高准确率。

---

5. 实验结果与分析

5.1 训练曲线

        在我们的PCB板缺陷检测项目中，我们使用了YOLOv8模型并对其训练过程进行了深入分析。从训练损失图中可以观察到，模型的三个主要损失组成部分——边界框损失（box_loss）、分类损失（cls_loss）和目标函数损失（dfI_loss）——随着训练周期的增加呈现出下降趋势，这表明模型的性能在逐渐改进。训练损失的平滑线显示了一致的下降，证明训练过程稳定，没有出现明显的过拟合或欠拟合的情况。

        边界框损失（box_loss）和目标函数损失（dfI_loss）对于检测任务尤为关键，它们直接影响着模型识别和定位缺陷的能力。随着这两项损失的降低，我们可以推断模型在定位缺陷的准确性上有显著提升。类别损失（cls_loss）的下降同样重要，它表明模型在区分不同类型的PCB板缺陷方面变得更加准确。

        转向验证集的损失，我们看到了与训练集类似的下降趋势，这进一步证实了模型的泛化能力。在实际应用中，这意味着模型不仅能够学习训练数据的特征，还能有效地应用于未见过的数据。验证集损失的平稳下降也表明了我们选择的超参数设置和数据增强策略的有效性。
        精度和召回率是衡量模型性能的另外两个关键指标。在训练过程中，模型的精度随着迭代次数的增加而提高，稳定在较高水平，这表明模型能够准确识别出大多数的缺陷。召回率的提升则意味着模型能够检测到更多的真正缺陷，减少了漏检的情况。两个指标的提升相辅相成，对于实际生产线上的PCB板缺陷检测任务至关重要。

        最后，平均精度（mAP）是整体衡量目标检测模型性能的重要指标，它综合考虑了精度和召回率。从mAP50和mAP50-95两个指标可以看出，模型在不同IoU阈值下都表现出良好的性能，特别是mAP50的值接近0.8，显示了模型在IoU为0.5时的强大检测能力。mAP50-95的稳步上升则展示了模型在更严格条件下也具有不错的检测性能。

        通过对YOLOv8模型在PCB板缺陷检测任务上的训练损失和性能指标的综合分析，我们可以得出结论，模型的训练过程稳健，且在不同的评估指标上都取得了显著的性能提升。这样的结果为我们后续在实际生产环境中部署模型提供了信心，并为进一步的优化和调整奠定了坚实的基础。

5.2 混淆矩阵

        在我们的PCB板缺陷检测研究中，混淆矩阵是评估模型性能的关键工具之一。它不仅展示了模型在每个类别上的识别能力，还揭示了识别过程中的潜在误差。我们所展示的混淆矩阵是标准化后的版本，使得每个类别的预测结果与实际标签的对比更为清晰。

        在我们的PCB板缺陷检测研究中，混淆矩阵是评估模型性能的关键工具之一。它不仅展示了模型在每个类别上的识别能力，还揭示了识别过程中的潜在误差。我们所展示的混淆矩阵是标准化后的版本，使得每个类别的预测结果与实际标签的对比更为清晰。

        对于spur的预测，我们可以看到其准确率为0.74，这也是一个相对较高的值。然而，混淆矩阵同样显示了一些误分类的情况，特别是在将其他缺陷误分类为background上。例如，missing_hole有0.24的概率被误分类为background，而spurious_copper被误分类为background的概率为0.25。这可能指示模型对于边界区域的缺陷与背景之间的区分能力仍有提升空间。

        重要的是要注意，尽管所有类型的缺陷都能够以合理的准确度被检测出来，但存在一定程度的误分类，这通常是因为某些缺陷特征之间存在相似性，或者由于数据集中的不平衡导致模型对于某些类别的识别能力不足。模型在missing_hole与background之间的分辨中表现出了最大的挑战，这提示我们可能需要进一步调整模型，或者在数据集上实施更多的平衡策略。

        总体而言，混淆矩阵提供了一个清晰的视图来评估我们的模型在各个类别上的性能。模型展现了在多个缺陷类型上的强大识别能力，特别是对于missing_hole、mouse_bite和spurious_copper三种类型。未来的工作可以聚焦于减少模型的误分类率，特别是减少将缺陷误识别为background的情况。通过改进训练数据的质量、增加样本的多样性或调整模型架构，我们有望进一步提升PCB板缺陷检测模型的整体性能。

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PCB板缺陷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PCB板缺陷的图像。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	0.810	0.808	0.813	0.814
F1-Score	0.86	0.85	0.86	0.86

（3）实验结果分析：

       在我们的研究中，我们对PCB板缺陷检测任务使用了YOLO系列的四个不同版本：YOLOv5nu、YOLOv6n、YOLOv7-tiny和YOLOv8n，进行了一系列的对比实验。实验的设计旨在评估和对比这些模型在同一数据集上的性能表现。我们的目的是确定在特定的PCB板缺陷检测任务上，哪个版本的模型最为适合，考虑到各个模型的结构复杂度和预期用例。实验设置保持了所有模型训练过程中的条件一致，以确保结果的公正性和可比性。

       在性能评估中，我们采用了F1-Score和mAP（mean Average Precision）这两个度量指标。F1-Score是精度和召回率的调和平均，提供了单一的性能衡量标准。而mAP则综合评估了在不同置信度阈值下模型的表现，它在目标检测任务中是衡量模型性能的重要指标。

       实验结果揭示了四个模型都展现出了优异的性能。具体来说，YOLOv5nu在mAP指标上达到了0.810，而在F1-Score上为0.86。YOLOv6n在mAP上略低于YOLOv5nu，为0.808，F1-Score为0.85。YOLOv7-tiny在mAP上以0.813的成绩超越了YOLOv5nu和YOLOv6n，F1-Score则与YOLOv5nu相同，为0.86。最后，YOLOv8n以0.814的mAP成绩领先，F1-Score同样为0.86。

       在模型间的对比中，尽管各模型间的性能表现相差不大，但YOLOv8n显示出了略微的优势，可能得益于其进一步优化的网络结构和更精细的特征提取能力，这对于处理PCB板上细小和复杂的缺陷特别有帮助。YOLOv7-tiny展现了与YOLOv8n相近的mAP表现，这表明在计算资源受限的场景下，YOLOv7-tiny可以作为一个高效的备选。相比之下，YOLOv5nu和YOLOv6n虽然在mAP上略低，但仍然保持了较高的F1-Score，表明这些模型在精确性和召回率之间取得了良好的平衡。

       此外，实验结果也可能受到各种因素的影响，包括模型的深度、宽度、以及使用的优化算法等。YOLOv5nu和YOLOv6n较低的mAP可能是因为在处理某些特定类型的缺陷时，模型的泛化能力有限。同时，YOLOv7-tiny和YOLOv8n的结构可能更适应该数据集的特性，例如通过更细粒度的特征学习来提升性能。

       总结来说，每个模型的选择应根据实际应用场景和需求来定。如果计算资源丰富，YOLOv8n可能是最优选择，考虑到其略高的性能表现。而在对计算效率要求较高的场景下，YOLOv7-tiny可能是一个更合适的备选方案。我们的实验结果为未来在PCB板缺陷检测领域选择合适的目标检测模型提供了有力的指导和参考。

---

6. 系统设计与实现

6.1 系统架构概览

        我们的系统主要由三大模块组成：数据处理模块、模型训练模块和缺陷检测模块。每个模块都承担着不同的功能，共同工作以实现高效准确的PCB板缺陷检测。以下是我们系统架构设计的核心组成部分：

1. 数据处理模块（DataPreprocessor）

• 功能：负责原始数据的预处理工作，包括图像的读取、缩放、标准化以及增强等。此模块确保输入到模型中的数据格式正确且有助于提高模型训练的效率和准确性。

• 关键类和方法：

  • ImageLoader：加载原始PCB板图像数据。
  • ImageResizer：调整图像尺寸以符合模型输入要求。
  • DataAugmenter：应用不同的图像增强技术，如旋转、翻转、变形等，以增加数据多样性。
  • DataNormalizer：对图像进行标准化处理，确保模型训练的数值稳定性。

2. 模型训练模块（ModelTrainer）

• 功能：使用处理过的数据集对YOLO模型进行训练，包括前向传播、损失计算、反向传播和参数更新等过程。此模块支持多版本的YOLO算法，以便于根据具体需求选择最合适的版本。

• 关键类和方法：

  • YOLOTrainer：核心训练类，负责模型的训练循环。
  • LossCalculator：计算模型的损失值，支持不同版本的YOLO算法的特定损失函数。
  • Optimizer：负责模型的优化算法，如SGD、Adam等。
  • ModelSaver：用于保存训练过程中的模型参数，便于后续的模型评估和部署。

3. 缺陷检测模块（DefectDetector）

• 功能：将训练好的模型部署到实际的生产线上，对流水线上的PCB板进行实时检测。此模块负责接收图像输入，执行模型推理，并输出检测结果。

• 关键类和方法：

  • ModelLoader：加载训练好的YOLO模型。
  • ImagePreprocessor：对实时捕获的PCB板图像进行预处理。
  • YOLODetector：执行模型推理，检测图像中的缺陷。
  • ResultVisualizer：将检测结果（包括缺陷位置和类型）以图形化的方式展示出来，便于操作人员快速识别和处理。

    通过这样的设计，我们的系统不仅能够实现高效精准的PCB板缺陷检测，而且具备良好的可扩展性和易于维护的特性。重要的是，这套系统架构允许我们轻松地在不同版本的YOLO算法之间进行切换，以适应不同的应用需求和硬件环境。

6.2 系统流程

        在基于YOLOv8/v7/v6/v5的PCB板缺陷检测系统中，整个工作流程可以被概括为以下几个关键步骤。以下内容将为您详细介绍这一流程：

1. 数据准备阶段

1. 原始图像数据加载：使用ImageLoader类从数据集中加载原始PCB板图像数据。
2. 图像预处理：调用ImageResizer对每张图像进行尺寸调整，确保图像尺寸符合模型输入要求。
3. 数据增强：通过DataAugmenter应用一系列图像增强技术（如旋转、翻转等），以提高模型的泛化能力。
4. 数据标准化：使用DataNormalizer对图像数据进行标准化处理，保证数据输入的一致性和数值稳定性。

2. 模型训练阶段

1. 模型初始化：根据选择的YOLO版本（v8/v7/v6/v5），初始化对应的深度学习模型结构。
2. 训练循环开始：通过YOLOTrainer类进行模型的训练，这一过程包括多个周期（Epochs）的迭代。
3. 前向传播和损失计算：在每次迭代中，模型对输入数据进行前向传播，并通过LossCalculator计算损失值。
4. 反向传播和参数更新：根据损失值，执行反向传播算法更新模型参数。这一步骤通常由Optimizer负责管理。
5. 模型保存：定期或在训练结束时，通过ModelSaver保存训练好的模型及其参数，以供后续使用。

3. 缺陷检测阶段

1. 加载训练好的模型：使用ModelLoader加载经过训练的YOLO模型。
2. 实时图像捕获：在生产线上实时捕获PCB板图像。
3. 图像预处理：对捕获的图像再次应用ImagePreprocessor进行预处理，包括尺寸调整和标准化等。
4. 模型推理：将预处理后的图像输入到YOLODetector进行缺陷检测。此步骤会输出图像中的缺陷位置和类别。
5. 结果可视化：通过ResultVisualizer将检测结果以可视化的形式展示给操作人员，以便快速识别和处理PCB板上的缺陷。

    通过以上流程，我们的系统能够实现从原始数据的处理到模型训练，最终到缺陷的检测与可视化的完整工作流。这种流程不仅确保了检测系统的高效性和准确性，而且通过模块化设计使得每一步骤都可被优化和调整，以满足不同生产需求和环境的变化。

---

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/BV1NH4y1n71M/
YOLOv8/v7/v6/v5项目合集下载：https://mbd.pub/o/bread/mbd-ZZ2YmJty
YOLOv8和v5项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2Ykpdy
YOLOv7项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2Yl5lx
YOLOv6项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2Yl59s

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PCB板缺陷检测领域的应用，成功开发了一个结合了这些先进算法的PCB板缺陷检测系统。通过对多个版本的YOLO模型进行细致的比较和优化，本研究不仅提升了PCB板缺陷检测的准确率和实时性，还通过Streamlit创建了一个直观、美观且易于使用的Web应用，使用户能够轻松地进行缺陷识别，从而在实际应用中发挥重要作用。

    经过一系列实验验证，本文所提出的方法在缺陷检测的准确性和处理速度上都达到了令人满意的水平。同时，我们还提供了完整的数据集处理流程、模型训练和预测的代码，以及基于Streamlit的系统设计和实现细节，为后续的研究者和开发者复现和参考提供了方便。尽管取得了一定的成果，但PCB板缺陷检测作为一个复杂多变的任务，仍然面临着许多挑战和改进空间。在未来的工作中，我们计划从以下几个方向进行探索：

• 模型优化：继续探索更深层次的网络结构和优化策略，如神经网络架构搜索（NAS）技术，以进一步提升模型的性能和效率。
• 多模态融合：考虑结合光学、热成像等其他模态信息，采用多模态学习方法进行缺陷检测，以更全面地理解PCB板的状态。
• 跨域适应性：研究不同PCB板材质、不同生产批次的缺陷检测，通过领域自适应技术提高模型在不同类型PCB板和生产环境中的泛化能力。
• 用户交互体验：进一步优化系统的用户界面和交互设计，使其更加人性化、智能化，以满足更广泛用户的需求。
• 实际应用拓展：探索PCB板缺陷检测在更多实际应用场景中的应用，如智能制造、自动化测试设备、质量控制等，以发挥其最大的社会和经济价值。

    总之，PCB板缺陷检测技术正处于快速发展之中，随着技术的不断进步和应用场景的不断拓展，我们相信在不久的将来，基于深度学习的PCB板缺陷检测将在制造业质量控制、产品可靠性提升等领域发挥更加重要的作用。

---

1. 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. ↩︎ ↩︎ ↩︎

2. Zhao, Dewei, et al. "A Small Object Detection Method for Drone-Captured Images Based on Improved YOLOv7." Remote Sensing 16.6 (2024): 1002. ↩︎ ↩︎ ↩︎

3. Qiu, Shi, et al. "Automated detection of railway defective fasteners based on YOLOv8-FAM and synthetic data using style transfer." Automation in Construction 162 (2024): 105363. ↩︎ ↩︎

4. Qin, Han, et al. "An Improved Faster R-CNN Method for Landslide Detection in Remote Sensing Images." Journal of Geovisualization and Spatial Analysis 8.1 (2024): 2. ↩︎

5. Liu W, Anguelov D, Erhan D, et al. Ssd: Single shot multibox detector[C]//Computer Vision–ECCV 2016: 14th European Conference, Amsterdam, The Netherlands, October 11–14, 2016, Proceedings, Part I 14. Springer International Publishing, 2016: 21-37. ↩︎