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)