Datawhale AI夏令营 第五期-CV方向Task3笔记（上分技巧）

赛事链接：https://www.marsbigdata.com/competition/details?id=3839107548872

上分技巧

在baseline的基础上，可以考虑下面的几种方法提高模型的预测和泛化能力。

1. 数据增强

YOLOv8已经内置了数据增强方法，但可以在训练过程中自定义更丰富的数据增强策略，以提升模型的泛化能力。

from ultralytics import YOLO

model = YOLO("yolov8n.pt")

# 自定义数据增强（颜色抖动、随机旋转、随机缩放等）
augmentations = {
    'degrees': 10,  # 旋转角度
    'scale': 0.5,  # 缩放比例
    'translate': 0.1,  # 平移比例
    'shear': 5,  # 剪切角度
    'flipud': 0.5,  # 上下翻转
    'fliplr': 0.5,  # 左右翻转
}

# 训练时启用数据增强
results = model.train(data="yolo-dataset/yolo.yaml", epochs=50, imgsz=1080, batch=16, augment=True, **augmentations)

2. 超参数优化

使用合适的学习率调度器，动态调整学习率，避免陷入局部最优解。

# 使用OneCycleLR学习率调度器，动态调整学习率
results = model.train(data="yolo-dataset/yolo.yaml", epochs=50, imgsz=1080, batch=16, lr0=0.01, lrf=0.001, optimizer="AdamW")

3. 扩展模型架构

可以考虑使用YOLOv8m或YOLOv8l等模型架构。

# 替换为更大的模型 YOLOv8m 或 YOLOv8l
model = YOLO("yolov8m.pt")  # 或者 yolov8l.pt
results = model.train(data="yolo-dataset/yolo.yaml", epochs=50, imgsz=1080, batch=16)

4. 优化后处理

通过调整置信度阈值和非极大值抑制（NMS）参数，减少误检。

# 调整推理阶段的置信度阈值
results = model("path/to/test/video.mp4", conf=0.2, imgsz=1080)

# 调整NMS的IoU阈值
results = model("path/to/test/video.mp4", conf=0.2, iou=0.4, imgsz=1080)