基于YOLO的智能识别系统系列 Task3：上分思路 #AI夏令营 #Datawhale #夏令营

写在最前

根据前两个task训练及测试，对于后续模型改进目前有以下思路，正在尝试进行逐步优化

1. YOLO模型参数调整

YOLO 模型的训练设置包括多种超参数和配置，这些设置会影响模型的性能、速度和准确性。微调涉及采用预先训练的模型并调整其参数以提高特定任务或数据集的性能。该过程也称为模型再训练，使模型能够更好地理解和预测在实际应用中将遇到的特定数据的结果。可以根据模型评估重新训练模型，从而获得最佳结果。

2. YOLO 模型预测行为和性能设置

YOLOv8模型的使用者提供了灵活性，允许根据特定应用场景的需求调整模型的行为和性能。例如，如果需要减少误报，可以提高conf阈值；如果需要提高模型的执行速度，可以在支持的硬件上使用half精度；如果需要处理视频数据并希望加快处理速度，可以调整vid_stride来跳过某些帧。这些参数的适当配置对于优化模型的预测性能至关重要。

将预测模型的参数进行设置：

conf=0.90,augment=True

conf: 置信度阈值，用于设置检测对象的最小置信度。低于此阈值的检测对象将被忽略。调整此值有助于减少误报。
启用预测时的数据增强（TTA），可能通过牺牲推理速度来提高检测的鲁棒性。

结果从0.04提高到0.059