Datawhale AI夏令营----2024“大运河杯”学习笔记

 尝试运行：目前只能跑通，但不清楚发生了什么

厚德云链接：https://portal.houdeyun.cn/register?from=Datawhale

1. 租用4090

2. 下载baseline相关文件

   在终端运行

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

3. 
4. 

5. 上传提交结果到比赛网站

6. 换用yolov9e.pt效果更好

不同yolov8及其区别

原始为
!wget http://mirror.coggle.club/yolo/yolov8n-v8.2.0.pt -O yolov8n.pt

下面任意一个
!wget http://mirror.coggle.club/yolo/yolov8s-v8.2.0.pt -O yolov8s.pt
!wget http://mirror.coggle.club/yolo/yolov8m-v8.2.0.pt -O yolov8m.pt
!wget http://mirror.coggle.club/yolo/yolov8l-v8.2.0.pt -O yolov8l.pt
!wget http://mirror.coggle.club/yolo/yolov8x-v8.2.0.pt -O yolov8x.pt
 

1. yolov8n (Nano)：

   • 最小的模型，具有最快的推理速度。
   • 适合于边缘设备或资源受限的环境。
   • 相对较低的检测精度。

2. yolov8s (Small)：

   • 较小的模型，相比 Nano 版本提供了更好的检测精度。
   • 平衡了模型大小和推理速度。
   • 适合于大多数应用场景。

3. yolov8m (Medium)：

   • 中等大小的模型，提供了较高的检测精度。
   • 相对较大的模型大小和较长的推理时间。
   • 适合于对精度有一定要求但又不过分消耗资源的应用。

4. yolov8l (Large)：

   • 较大的模型，提供了更高的检测精度。
   • 显著增加了模型大小和推理时间。
   • 适合于需要高精度检测的应用。

5. yolov8x (X-Large)：

   • 最大的模型，提供了最高的检测精度。
   • 最大的模型大小和最长的推理时间。
   • 适合于对精度有极高要求的应用场景。

之后修改导入的权重文件（.pt)

from ultralytics import YOLO
model = YOLO("yolov8m.pt")
results = model.train(data="yolo-dataset/yolo.yaml", epochs=3, imgsz=1088, batch=8, conf=0.3, mixup=0.5, optimizer="SGD", copy_paste=0.5, mosaic=0,augment=True)

Baseline 进阶

1.增加训练的数据集，可以增加更多的视频到训练集中进行训练。

2.可不断调整置信度conf的值，寻找合适的范围0.15也行

过程发现 ：1.换用yolov9e.pt效果更好，但注意yolov8的用法有些不同，需要对源代码进行修改