当前位置： 首页 > news >正文

外贸网站模版,做微商网站制作,电商网站 设计方案,怎样在网上做推广在我们前面的系列博文中#xff0c;关于田间作物场景下的作物、杂草检测已经有过相关的开发实践了#xff0c;结合智能化的设备可以实现只能除草等操作#xff0c;玉米作物场景下的杂草检测我们则少有涉及#xff0c;这里本文的主要目的就是想要基于YOLOv7系列的模型来开发…在我们前面的系列博文中关于田间作物场景下的作物、杂草检测已经有过相关的开发实践了结合智能化的设备可以实现只能除草等操作玉米作物场景下的杂草检测我们则少有涉及这里本文的主要目的就是想要基于YOLOv7系列的模型来开发构建玉米田间作物场景下的玉米苗和杂草检测识别系统。 春节前后我们已经基于YOLO系列最新的YOLOv8模型开发构建了相应的项目感兴趣可以自行移步阅读 《助力智能化农田作物除草基于轻量级YOLOv8n开发构建农田作物场景下玉米苗、杂草检测识别分析系统》 《助力智能化农田作物除草基于YOLOv8全系列【n/s/m/l/x】参数模型开发构建农田作物场景下玉米苗、杂草检测识别分析系统》 随后我们基于首个端到端的目标检测模型DETR开发构建了相应的检测模型如下 《助力智能化农田作物除草基于DETR(DEtection TRansformer模型开发构建农田作物场景下玉米苗、杂草检测识别分析系统》 完成上述开发之后我们想尝试基于早期开山的YOLOv3模型来开发构建对应的检测模型如下所示 《助力智能化农田作物除草基于YOLOv3全系列【yolov3tiny/yolov3/yolov3spp】参数模型开发构建农田作物场景下玉米苗、杂草检测识别分析系统》 之后我们基于同样的数据使用最为经典的YOLOv5系列的模型来开发构建对应的检测模型如下 《助力智能化农田作物除草基于YOLOv5全系列【n/s/m/l/x】参数模型开发构建农田作物场景下玉米苗、杂草检测识别分析系统》 YOLOv5全系列的模型表现亮眼激发了我们更进一步的想法这里我们随后就基于美团视觉团队发布的最新YOLOv6分支模型同样的数据场景开发构建了对应的检测模型如下 《助力智能化农田作物除草基于YOLOv6全系列【n/s/m/l】参数模型开发构建农田作物场景下玉米苗、杂草检测识别分析系统》 至此整个YOLO家族只剩下YOLOv7尚未使用所以本文的主要目的就是想要填补这一空挡来开发对应的检测模型。 首先看下实例效果 YOLOv7是 YOLO 系列最新推出的YOLO 结构在 5 帧/秒到 160 帧/秒范围内其速度和精度都超过了大部分已知的目标检测器在 GPU V100 已知的 30 帧/秒以上的实时目标检测器中YOLOv7 的准确率最高。根据代码运行环境的不同(边缘 GPU、普通 GPU 和云 GPU)YOLOv7 设置了三种基本模型分别称为 YOLOv7-tiny、YOLOv7和 YOLOv7-W6。相比于 YOLO 系列其他网络 模 型 YOLOv7 的 检 测 思 路 与YOLOv4、YOLOv5相似YOLOv7 网络主要包含了 Input(输入)、Backbone(骨干网络)、Neck(颈部)、Head(头部)这四个部分。首先图片经过输入部分数据增强等一系列操作进行预处理后被送入主干网主干网部分对处理后的图片提取特征随后提取到的特征经过 Neck 模块特征融合处理得到大、中、小三种尺寸的特征最终融合后的特征被送入检测头经过检测之后输出得到结果。 YOLOv7 网络模型的主干网部分主要由卷积、E-ELAN 模块、MPConv 模块以及SPPCSPC 模块构建而成 。在 Neck 模块YOLOv7 与 YOLOv5 网络相同也采用了传统的 PAFPN 结构。FPN是YoloV7的加强特征提取网络在主干部分获得的三个有效特征层会在这一部分进行特征融合特征融合的目的是结合不同尺度的特征信息。在FPN部分已经获得的有效特征层被用于继续提取特征。在YoloV7里依然使用到了Panet的结构我们不仅会对特征进行上采样实现特征融合还会对特征再次进行下采样实现特征融合。Head检测头部分YOLOv7 选用了表示大、中、小三种目标尺寸的 IDetect 检测头RepConv模块在训练和推理时结构具有一定的区别。 简单看下实例数据情况 训练数据配置文件如下所示 # txt path train: ./dataset/images/train val: ./dataset/images/test test: ./dataset/images/test# number of classes nc: 3# class names names: [maize, weedhe, weedkuo] 这里主要是选择了yolov7-tiny、yolov7和yolov7x这三款不同参数量级的模型来进行开发训练最终线上选取的是yolov7系列的模型作为推理模型这里给出来yolov7的模型文件

parameters

nc: 3 # number of classes depth_multiple: 1.0 # model depth multiple width_multiple: 1.0 # layer channel multiple# anchors anchors:- [12,16, 19,36, 40,28] # P3/8- [36,75, 76,55, 72,146] # P4/16- [142,110, 192,243, 459,401] # P5/32# yolov7 backbone backbone:# [from, number, module, args][[-1, 1, Conv, [32, 3, 1]], # 0[-1, 1, Conv, [64, 3, 2]], # 1-P1/2 [-1, 1, Conv, [64, 3, 1]],[-1, 1, Conv, [128, 3, 2]], # 3-P2/4 [-1, 1, Conv, [64, 1, 1]],[-2, 1, Conv, [64, 1, 1]],[-1, 1, Conv, [64, 3, 1]],[-1, 1, Conv, [64, 3, 1]],[-1, 1, Conv, [64, 3, 1]],[-1, 1, Conv, [64, 3, 1]],[[-1, -3, -5, -6], 1, Concat, [1]],[-1, 1, Conv, [256, 1, 1]], # 11[-1, 1, MP, []],[-1, 1, Conv, [128, 1, 1]],[-3, 1, Conv, [128, 1, 1]],[-1, 1, Conv, [128, 3, 2]],[[-1, -3], 1, Concat, [1]], # 16-P3/8 [-1, 1, Conv, [128, 1, 1]],[-2, 1, Conv, [128, 1, 1]],[-1, 1, Conv, [128, 3, 1]],[-1, 1, Conv, [128, 3, 1]],[-1, 1, Conv, [128, 3, 1]],[-1, 1, Conv, [128, 3, 1]],[[-1, -3, -5, -6], 1, Concat, [1]],[-1, 1, Conv, [512, 1, 1]], # 24[-1, 1, MP, []],[-1, 1, Conv, [256, 1, 1]],[-3, 1, Conv, [256, 1, 1]],[-1, 1, Conv, [256, 3, 2]],[[-1, -3], 1, Concat, [1]], # 29-P4/16 [-1, 1, Conv, [256, 1, 1]],[-2, 1, Conv, [256, 1, 1]],[-1, 1, Conv, [256, 3, 1]],[-1, 1, Conv, [256, 3, 1]],[-1, 1, Conv, [256, 3, 1]],[-1, 1, Conv, [256, 3, 1]],[[-1, -3, -5, -6], 1, Concat, [1]],[-1, 1, Conv, [1024, 1, 1]], # 37[-1, 1, MP, []],[-1, 1, Conv, [512, 1, 1]],[-3, 1, Conv, [512, 1, 1]],[-1, 1, Conv, [512, 3, 2]],[[-1, -3], 1, Concat, [1]], # 42-P5/32 [-1, 1, Conv, [256, 1, 1]],[-2, 1, Conv, [256, 1, 1]],[-1, 1, Conv, [256, 3, 1]],[-1, 1, Conv, [256, 3, 1]],[-1, 1, Conv, [256, 3, 1]],[-1, 1, Conv, [256, 3, 1]],[[-1, -3, -5, -6], 1, Concat, [1]],[-1, 1, Conv, [1024, 1, 1]], # 50]# yolov7 head head:[[-1, 1, SPPCSPC, [512]], # 51[-1, 1, Conv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, nearest]],[37, 1, Conv, [256, 1, 1]], # route backbone P4[[-1, -2], 1, Concat, [1]],[-1, 1, Conv, [256, 1, 1]],[-2, 1, Conv, [256, 1, 1]],[-1, 1, Conv, [128, 3, 1]],[-1, 1, Conv, [128, 3, 1]],[-1, 1, Conv, [128, 3, 1]],[-1, 1, Conv, [128, 3, 1]],[[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],[-1, 1, Conv, [256, 1, 1]], # 63[-1, 1, Conv, [128, 1, 1]],[-1, 1, nn.Upsample, [None, 2, nearest]],[24, 1, Conv, [128, 1, 1]], # route backbone P3[[-1, -2], 1, Concat, [1]],[-1, 1, Conv, [128, 1, 1]],[-2, 1, Conv, [128, 1, 1]],[-1, 1, Conv, [64, 3, 1]],[-1, 1, Conv, [64, 3, 1]],[-1, 1, Conv, [64, 3, 1]],[-1, 1, Conv, [64, 3, 1]],[[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],[-1, 1, Conv, [128, 1, 1]], # 75[-1, 1, MP, []],[-1, 1, Conv, [128, 1, 1]],[-3, 1, Conv, [128, 1, 1]],[-1, 1, Conv, [128, 3, 2]],[[-1, -3, 63], 1, Concat, [1]],[-1, 1, Conv, [256, 1, 1]],[-2, 1, Conv, [256, 1, 1]],[-1, 1, Conv, [128, 3, 1]],[-1, 1, Conv, [128, 3, 1]],[-1, 1, Conv, [128, 3, 1]],[-1, 1, Conv, [128, 3, 1]],[[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],[-1, 1, Conv, [256, 1, 1]], # 88[-1, 1, MP, []],[-1, 1, Conv, [256, 1, 1]],[-3, 1, Conv, [256, 1, 1]],[-1, 1, Conv, [256, 3, 2]],[[-1, -3, 51], 1, Concat, [1]],[-1, 1, Conv, [512, 1, 1]],[-2, 1, Conv, [512, 1, 1]],[-1, 1, Conv, [256, 3, 1]],[-1, 1, Conv, [256, 3, 1]],[-1, 1, Conv, [256, 3, 1]],[-1, 1, Conv, [256, 3, 1]],[[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],[-1, 1, Conv, [512, 1, 1]], # 101[75, 1, RepConv, [256, 3, 1]],[88, 1, RepConv, [512, 3, 1]],[101, 1, RepConv, [1024, 3, 1]],[[102,103,104], 1, IDetect, [nc, anchors]], # Detect(P3, P4, P5)]在实验阶段保持完全相同的参数设置等待全部训练完成之后来从多个指标的维度来进行综合的对比分析。 【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。 召回率曲线通常与精确率曲线Precision 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 【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。 【loss曲线】 【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。 从整体实验对比结果来看tiny系列模型的效果最次被l和x系列的模型拉开了明显的差距l和x系列的模型则达到了几近相同的水准考虑到计算量的问题这里最终选择使用yolov7来作为最终模型。 接下来我们详细看下yolov7模型的结果详情。 【Batch实例】 【PR曲线】 【训练可视化】 【混淆矩阵】 【离线推理实例】 感兴趣的话都可以自行动手尝试下 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YOLOv7-tiny 全系列三个模型的训练结果总集