属于c2c网站的有哪几个,方庄网站制作,商业空间设计效果图,the7 wordpress 汉化甲骨文是一种非常历史悠久的古老文字#xff0c;在前面我们基本上很少有涉及这块的内容#xff0c;最近正好在做文字相关的项目开发研究#xff0c;就想着基于甲骨文的场景来开发对应的检测识别系统#xff0c;在前文中我们基于YOLOv5、YOLOv7和YOLOv9开发构建了在仿真数据…甲骨文是一种非常历史悠久的古老文字在前面我们基本上很少有涉及这块的内容最近正好在做文字相关的项目开发研究就想着基于甲骨文的场景来开发对应的检测识别系统在前文中我们基于YOLOv5、YOLOv7和YOLOv9开发构建了在仿真数据实验场景下的目标检测系统感兴趣的话可以自行移步阅读即可
《探索考古文字场景基于YOLOv5全系列【n/s/m/l/x】参数模型开发构建文本考古场景下的甲骨文字符图像检测识别系统》
《探索考古文字场景基于YOLOv7【tiny/l/x】不同系列参数模型开发构建文本考古场景下的甲骨文字符图像检测识别系统》
《探索考古文字场景基于YOLOv9全系列【gelan/gelan-c/gelan-e/yolov9/yolov9-c/yolov9-e】参数模型开发构建文本考古场景下的甲骨文字符图像检测识别系统》
本文则是想要基于YOLOv8全系列的模型来开发构建文字场景下的甲骨文字符检测模型纵向对比分析。
首先看下实例效果 简单看下实例数据情况 如果对YOLOv8开发构建自己的目标检测项目有疑问的可以看下面的文章如下所示
《基于YOLOv8开发构建目标检测模型超详细教程【以焊缝质量检测数据场景为例》
非常详细的开发实践教程。本文这里就不再展开了因为从YOLOv8开始变成了一个安装包的形式整体跟v5和v7的使用差异还是比较大的。
非常详细的开发实践教程。本文这里就不再展开了因为从YOLOv8开始变成了一个安装包的形式整体跟v5和v7的使用差异还是比较大的。
YOLOv8核心特性和改动如下 1、提供了一个全新的SOTA模型state-of-the-art model包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于YOLACT的实例分割模型。和 YOLOv5 一样基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型用于满足不同场景需求 2、骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想将 YOLOv5 的 C3 结构换成了梯度流更丰富的 C2f 结构并对不同尺度模型调整了不同的通道数属于对模型结构精心微调不再是一套参数应用所有模型大幅提升了模型性能。 3、Head 部分相比 YOLOv5 改动较大换成了目前主流的解耦头结构将分类和检测头分离同时也从Anchor-Based 换成了 Anchor-Free 4、Loss 计算方面采用了TaskAlignedAssigner正样本分配策略并引入了Distribution Focal Loss 5、训练的数据增强部分引入了 YOLOX 中的最后 10 epoch 关闭 Mosiac 增强的操作可以有效地提升精度
YOLOv8官方项目地址在这里如下所示 目前已经收获超过1.7w的star量了。官方提供的预训练模型如下所示 是基于Open Image V7数据集构建的可以根据自己的需求进行选择使用即可。
YOLOv8的定位不仅仅是目标检测而是性能强大全面的工具库故而在任务类型上同时支持姿态估计、检测、分类、分割、跟踪多种类型可以根据自己的需要进行选择使用这里就不再详细展开了。
简单的实例实现如下所示
from ultralytics import YOLO# yolov8n
model YOLO(yolov8n.yaml).load(yolov8n.pt) # build from YAML and transfer weights
model.train(datadata/self.yaml, epochs100, imgsz640)# yolov8s
model YOLO(yolov8s.yaml).load(yolov8s.pt) # build from YAML and transfer weights
model.train(datadata/self.yaml, epochs100, imgsz640)# yolov8m
model YOLO(yolov8m.yaml).load(yolov8m.pt) # build from YAML and transfer weights
model.train(datadata/self.yaml, epochs100, imgsz640)# yolov8l
model YOLO(yolov8l.yaml).load(yolov8l.pt) # build from YAML and transfer weights
model.train(datadata/self.yaml, epochs100, imgsz640)# yolov8x
model YOLO(yolov8x.yaml).load(yolov8x.pt) # build from YAML and transfer weights
model.train(datadata/self.yaml, epochs100, imgsz640)
这里给出yolov8的模型文件如下
# Ultralytics YOLO , AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect# Parameters
nc: 40 # number of classes
scales: # model compound scaling constants, i.e. modelyolov8n.yaml will call yolov8.yaml with scale n# [depth, width, max_channels]n: [0.33, 0.25, 1024] # YOLOv8n summary: 225 layers, 3157200 parameters, 3157184 gradients, 8.9 GFLOPss: [0.33, 0.50, 1024] # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients, 28.8 GFLOPsm: [0.67, 0.75, 768] # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients, 79.3 GFLOPsl: [1.00, 1.00, 512] # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPsx: [1.00, 1.25, 512] # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs# YOLOv8.0n backbone
backbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4- [-1, 3, C2f, [128, True]]- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8- [-1, 6, C2f, [256, True]]- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16- [-1, 6, C2f, [512, True]]- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32- [-1, 3, C2f, [1024, True]]- [-1, 1, SPPF, [1024, 5]] # 9# YOLOv8.0n head
head:- [-1, 1, nn.Upsample, [None, 2, nearest]]- [[-1, 6], 1, Concat, [1]] # cat backbone P4- [-1, 3, C2f, [512]] # 12- [-1, 1, nn.Upsample, [None, 2, nearest]]- [[-1, 4], 1, Concat, [1]] # cat backbone P3- [-1, 3, C2f, [256]] # 15 (P3/8-small)- [-1, 1, Conv, [256, 3, 2]]- [[-1, 12], 1, Concat, [1]] # cat head P4- [-1, 3, C2f, [512]] # 18 (P4/16-medium)- [-1, 1, Conv, [512, 3, 2]]- [[-1, 9], 1, Concat, [1]] # cat head P5- [-1, 3, C2f, [1024]] # 21 (P5/32-large)- [[15, 18, 21], 1, Detect, [nc]] # Detect(P3, P4, P5) 实验阶段保持着完全相同的参数设置开发完成五款不同参数量级的模型来进行综合全面的对比分析等待训练完成后我们来详细看下结果。
【Precision曲线】 精确率曲线Precision-Recall Curve是一种用于评估二分类模型在不同阈值下的精确率性能的可视化工具。它通过绘制不同阈值下的精确率和召回率之间的关系图来帮助我们了解模型在不同阈值下的表现。 精确率Precision是指被正确预测为正例的样本数占所有预测为正例的样本数的比例。召回率Recall是指被正确预测为正例的样本数占所有实际为正例的样本数的比例。 绘制精确率曲线的步骤如下 使用不同的阈值将预测概率转换为二进制类别标签。通常当预测概率大于阈值时样本被分类为正例否则分类为负例。 对于每个阈值计算相应的精确率和召回率。 将每个阈值下的精确率和召回率绘制在同一个图表上形成精确率曲线。 根据精确率曲线的形状和变化趋势可以选择适当的阈值以达到所需的性能要求。 通过观察精确率曲线我们可以根据需求确定最佳的阈值以平衡精确率和召回率。较高的精确率意味着较少的误报而较高的召回率则表示较少的漏报。根据具体的业务需求和成本权衡可以在曲线上选择合适的操作点或阈值。 精确率曲线通常与召回率曲线Recall Curve一起使用以提供更全面的分类器性能分析并帮助评估和比较不同模型的性能。 【Recall曲线】 召回率曲线Recall Curve是一种用于评估二分类模型在不同阈值下的召回率性能的可视化工具。它通过绘制不同阈值下的召回率和对应的精确率之间的关系图来帮助我们了解模型在不同阈值下的表现。 召回率Recall是指被正确预测为正例的样本数占所有实际为正例的样本数的比例。召回率也被称为灵敏度Sensitivity或真正例率True Positive Rate。 绘制召回率曲线的步骤如下 使用不同的阈值将预测概率转换为二进制类别标签。通常当预测概率大于阈值时样本被分类为正例否则分类为负例。 对于每个阈值计算相应的召回率和对应的精确率。 将每个阈值下的召回率和精确率绘制在同一个图表上形成召回率曲线。 根据召回率曲线的形状和变化趋势可以选择适当的阈值以达到所需的性能要求。 通过观察召回率曲线我们可以根据需求确定最佳的阈值以平衡召回率和精确率。较高的召回率表示较少的漏报而较高的精确率意味着较少的误报。根据具体的业务需求和成本权衡可以在曲线上选择合适的操作点或阈值。 【loss】 【F1值曲线】 F1值曲线是一种用于评估二分类模型在不同阈值下的性能的可视化工具。它通过绘制不同阈值下的精确率Precision、召回率Recall和F1分数的关系图来帮助我们理解模型的整体性能。 F1分数是精确率和召回率的调和平均值它综合考虑了两者的性能指标。F1值曲线可以帮助我们确定在不同精确率和召回率之间找到一个平衡点以选择最佳的阈值。 绘制F1值曲线的步骤如下 使用不同的阈值将预测概率转换为二进制类别标签。通常当预测概率大于阈值时样本被分类为正例否则分类为负例。 对于每个阈值计算相应的精确率、召回率和F1分数。 将每个阈值下的精确率、召回率和F1分数绘制在同一个图表上形成F1值曲线。 根据F1值曲线的形状和变化趋势可以选择适当的阈值以达到所需的性能要求。 F1值曲线通常与接收者操作特征曲线ROC曲线一起使用以帮助评估和比较不同模型的性能。它们提供了更全面的分类器性能分析可以根据具体应用场景来选择合适的模型和阈值设置。 【mAP0.5】 mAP0.5也被称为mAP0.5或AP50指的是当Intersection over UnionIoU阈值为0.5时的平均精度mean Average Precision。IoU是一个用于衡量预测边界框与真实边界框之间重叠程度的指标其值范围在0到1之间。当IoU值为0.5时意味着预测框与真实框至少有50%的重叠部分。 在计算mAP0.5时首先会为每个类别计算所有图片的APAverage Precision然后将所有类别的AP值求平均得到mAP0.5。AP是Precision-Recall Curve曲线下面的面积这个面积越大说明AP的值越大类别的检测精度就越高。 mAP0.5主要关注模型在IoU阈值为0.5时的性能当mAP0.5的值很高时说明算法能够准确检测到物体的位置并且将其与真实标注框的IoU值超过了阈值0.5。 【mAP0.5:0.95】 mAP0.5:0.95也被称为mAP[0.5:0.95]或AP[0.5:0.95]表示在IoU阈值从0.5到0.95变化时取各个阈值对应的mAP的平均值。具体来说它会在IoU阈值从0.5开始以0.05为步长逐步增加到0.95并在每个阈值下计算mAP然后将这些mAP值求平均。 这个指标考虑了多个IoU阈值下的平均精度从而更全面、更准确地评估模型性能。当mAP0.5:0.95的值很高时说明算法在不同阈值下的检测结果均非常准确覆盖面广可以适应不同的场景和应用需求。 对于一些需求比较高的场合比如安全监控等领域需要保证高的准确率和召回率这时mAP0.5:0.95可能更适合作为模型的评价标准。 综上所述mAP0.5和mAP0.5:0.95都是用于评估目标检测模型性能的重要指标但它们的关注点有所不同。mAP0.5主要关注模型在IoU阈值为0.5时的性能而mAP0.5:0.95则考虑了多个IoU阈值下的平均精度从而更全面、更准确地评估模型性能。 综合实验对比结果来看不难看出n系列的模型效果最差被其他几款模型拉开了明显的差距s系列的模型性能次之优于n系列的模型但是与其他3款模型依旧有明显的差距m、l和x三款模型效果叫我相近结合参数量考虑最终线上考虑使用m系列的模型来作为最终的推理模型。
接下来看下m系列的模型详情 【离线推理实例】 【Batch实例】 【训练可视化】 【PR曲线】 感兴趣的话也都可以试试看
如果自己不具备开发训练的资源条件或者是没有时间自己去训练的话这里我提供出来对应的训练结果可供自行按需索取。
单个模型的训练结果默认YOLOv8s
全系列五个模型的训练结果总集
