一、关于赛题
(1)目的:利用图像处理和计算机视觉技术 开发一套智能识别系统,自动检测和分类摄像头捕获的视频中,城市管理中的违规行为。
(2)提供的数据集:初赛提供城管视频监控数据与对应违规行为标注。违规行为包括垃圾桶满溢、机动车违停、非机动车违停等。视频数据为mp4格式,标注文件为json格式,每个视频对应一个json文件。
(3)评分标准:使用F1score、MOTA指标来评估模型预测结果,对每个json文件得到两个指标的加权求和,最终得分为所有文件得分取均值。
二、浅显认识YOLO
(1)什么是YOLO和物体检测模型?
YOLO是一种流行的实时目标检测系统,其核心思想是将目标检测任务视为一个单一的回归问题,通过一个卷积神经网络(CNN)直接从图像像素到边界框坐标和类别概率的映射。该模型已经过多次迭代,引入了一些新的技术,如更深的网络结构、更好的锚框机制、多尺度特征融合等。
(2)YOLO模型需要什么训练格式?
YOLO使用的标注格式是每张图像一个文本文件,文件名与图像文件名相对应。文本文件中每一行对应一个边界框,格式为:<class> <x_center> <y_center> <width> <height>。
其中,<class>
是类别索引,<x_center>
和<y_center>
是边界框中心点相对于图像宽度和高度的比例,<width>
和<height>
是边界框的宽度和高度相对于图像宽度和高度的比例。
(3)如何训练YOLO模型?
使用Ultraalytics库,该库是一个提供多种计算机视觉模型的库,包括 YOLO 系列。
#Python from ultralytics import YOLO # 设置模型版本 model = YOLO("yolov8n.pt") # 设定数据集和训练参数 results = model.train(data="yolo-dataset/yolo.yaml", epochs=2, imgsz=1080, batch=16)
(4)如何对模型进行损失评估?
-
box_loss
是边界框回归损失,用于评估预测的边界框与真实边界框之间的差异。 -
cls_loss
是分类损失,用于评估类别预测的准确性。 -
dfl_loss
是防御性损失,用于提高模型的泛化能力。