Datawhale AI 夏令营--笔记

#cv# #视觉#  #检测#

task1：

基于赛事：2024“大运河杯”数据开发应用创新大赛——城市治理（目标：能够自动检测和分类城市管理中的违规行为）

1.下载基线模型相关数据（基于YOLOv8n模型）：

apt install git-lfs 
git lfs install 
git clone https://www.modelscope.cn/datasets/Datawhale/AI_Camp5_baseline_CV.git

2.根据AI_Camp5_baseline_CV中的task1.ipynb运行基线模型： 

3.将结果运行后的result.zip上传竞赛官网，得出第一次的分数。

task2：

• task2
  • 1.再次加深json的读取和写入方式，以及检测框的画法。
  • 2.巩固了一下相关知识
  • 3.JSON数据集转换为YOLO数据集的代码重新理解。
  • 根据直播和baseline精读教程，尝试进行精度提高。s模型（达到0.1688）
    • 改动如下：数据集量增加，选用s模型深度更大，训练轮数增加为50轮。
    • for anno_path, video_path in zip(train_annos[:20], train_videos[:20]):
    • for anno_path, video_path in zip(train_annos[-3:], train_videos[-3:]):
    • !wget -q http://mirror.coggle.club/yolo/yolov8s-v8.2.0.pt -O yolov8s.pt
    • !wget -q http://mirror.coggle.club/yolo/Arial.Unicode.ttf -O ~/.config/Ultralytics/Arial.Unicode.ttf
    • results = model.train(data="yolo-dataset/yolo.yaml", epochs=50, imgsz=1080, batch=16)
  • 重新尝试改进提高精度（依旧是n模型）--成功提分达到0.1624
    • 改动如下：增加数据量，增加训练轮数
    • for anno_path, video_path in zip(train_annos[:15], train_videos[:15]):
    • for anno_path, video_path in zip(train_annos[-3:], train_videos[-3:]):
    • results = model.train(data="yolo-dataset/yolo.yaml", epochs=20, imgsz=1080, batch=16, optimizer="SGD)
  • n模型进一步尝试：轮数设置50轮（提分至0.2664379316520224）train9
    • for anno_path, video_path in zip(train_annos[:20], train_videos[:20]):
    • for anno_path, video_path in zip(train_annos[-3:], train_videos[-3:]):
    • results = model.train(data="yolo-dataset/yolo.yaml", epochs=50, imgsz=1080, batch=16, optimizer="SGD)
  • s模型进一步尝试：轮数设置3轮（提分至0.125）train10
    • for anno_path, video_path in zip(train_annos[:30], train_videos[:30]):
    • for anno_path, video_path in zip(train_annos[-3:], train_videos[-3:]):
    • results = model.train(data="yolo-dataset/yolo.yaml", epochs=3, imgsz=1080, batch=16, optimizer="SGD)

task3：

• n模型进一步尝试上分：启动nms和数据增强，轮数设置100轮（提分至0.2204150974425324）train11
  • for anno_path, video_path in zip(train_annos[:30], train_videos[:30]):
  • for anno_path, video_path in zip(train_annos[-3:], train_videos[-3:]):
  • results = model.train(data="yolo-dataset/yolo.yaml", epochs=100, imgsz=1080, batch=16, optimizer="SGD, augment=True, agnostic_nms=True)