一、YOLO模型简介
YOLO模型是在图像和视频中识别感兴趣物体对象,通常通过边界框形式来识别物体。以下是物体检测的一些关键概念和步骤:
-
输入:物体检测算法的输入通常是一张图像或视频帧。
-
特征提取:算法使用深度学习模型(如卷积神经网络CNN)来提取图像的特征。这些特征捕捉了图像中的视觉信息,为后续的物体识别和定位提供基础。
-
候选区域生成:在某些检测算法中,如基于区域的卷积神经网络(R-CNN)及其变体,首先需要生成图像中的候选区域,这些区域可能包含感兴趣的物体。
-
区域分类和边界框回归:对于每个候选区域,算法需要判断它是否包含特定类别的物体,并预测物体的边界框。这通常涉及到分类任务和回归任务的结合。
-
非极大值抑制(NMS):在检测过程中,可能会产生多个重叠的边界框,用于表示同一物体。NMS是一种常用的技术,用于选择最佳的边界框并去除多余的框。
依据图像判别方式,图像识别可分为One stage 和Two stage两类模型。简单来说,One stage模型是直接依据单次网络识别图中所需对象。Two stage 使用区域提议网络(Region Proposal Network, RPN)生成候选区域,然后对这些区域进行分类和边界框的精细调整。这种方法的优点是精度高,但速度相对较慢。
二、YOLO的数据集格式
YOLO算法的标注格式主要使用.txt
文件来存储图像中物体的标注信息。每个图像都有一个对应的.txt
文件,文件中的每行表示一个物体的标注,包括物体的类别索引和边界框(bounding box)的坐标。以下是YOLO标注格式的详细介绍:
-
类别索引:用一个整数索引进行分类。
-
边界框坐标:边界框由其中心点坐标
(x_center, y_center)
和宽度width
、高度height
组成。这些值通常是归一化到图像宽度和高度的比例值,范围在0到1之间。 -
坐标格式:边界框坐标通常按照
[class_index x_center y_center width height]
的格式记录,其中class_index
是类别索引,x_center
和y_center
是边界框中心点的x和y坐标,width
和height
是边界框的宽度和高度。
三 、YOLO训练日志
在使用YOLO进行训练时,生成的exp/detect/train
类型的文件夹是训练过程中的一个关键组成部分。
-
模型权重 (
.pt
或.pth
文件): 训练过程中保存的模型权重,可以用于后续的测试或继续训练。 -
日志文件 (
.log
文件): 包含训练过程中的所有输出信息,如损失值、精度、速度等。 -
配置文件 (
.yaml
或.cfg
文件): 训练时使用的配置文件副本,记录了数据路径、类别名、模型架构等设置。 -
图表和可视化: 有时YOLO会生成训练过程中的性能图表,如损失曲线、精度曲线等。
-
测试结果: 如果训练过程中包括了测试阶段,可能会有测试结果的保存,如检测结果的图片或统计数据。
四、Baseline进阶思路
通过如上介绍,你的或许已经了解一部分YOLO模型训练的规律。回顾赛题本身,由于要求是需要快速的识别违规行为,因此YOLO模型较为合适,那该如何提高模型预测准确性?
首先,我们可以通过增加训练集数据,从而达到准确率的提升。最原始Baseline中仅仅将训练集设置为5,然而赛题所提供视频约有40个,因此增加训练数据可大大提升预测准确率。
其次,可以切换不同模型的预训练权重,不同的模型,针对的识别对象不同,因此性能会有差异,切换不同模型预训练权重,可提高效率。
标签:Task,边界,训练,AI,模型,YOLO,Datawhale,物体,center From: https://blog.csdn.net/2301_81185698/article/details/141653534