目标检测YOLO实战应用案例100讲-树上果实识别与跟踪计数（续）

目录

3.2 损失函数优化 

3.3 实验过程  

3.3.1 果实图像采集 

3.3.2 数据扩增 

3.3.3 实验环境与训练参数设置 

3.3.4 评价指标 

3.4 实验结果与分析  

3.4.1 两种天气情况的检测性能比较 

3.4.2 三种光照条件的检测性能比较 

3.4.3遮挡和密集情况对果实检测的影响 

3.4.4果实计数结果分析 

3.4.5 消融实验 

基于ByteTrack跟踪算法的果实计数 

4.1 ByteTrack目标跟踪算法介绍 

4.2 实验过程  

4.2.1 果实视频采集 

4.2.2 果实视频序列分析与预处理 

4.2.3 计数区域设置与统计计数 

4.2.4 评价指标 

4.3 实验结果与分析  

4.3.1 ByteTrack跟踪算法结果分析 

4.3.2 不同跟踪算法计数结果比较 

4.3.3 算法预估产量与人工采摘结果比较 

---

本文篇幅较长，分为上下两篇，上篇详见树上果实识别与跟踪计数

3.2 损失函数优化 

在果园环境中，树上果实存在密集聚簇和相互遮挡的情况，这两类情况下的果实 样本可能会被误认为是背景或者其他果实的一部分，因此被称为困难样本。面对困难 样本，目标检测网往往难以识别。因此，本节对YOLOv5损失函数进行了修改，通过 引入IoU感知分类分数(IACS)，并使用Varifocal Loss进行训练，以此提高模型对困 难样本的识别准确度[ 79]。  YOLOv5的原损失函数包括分类损失、定位损失和对象损失，