1. 官方指标
- yolov5,v8对比
- mAP同等级别时,v8的模型和计算量大小 比同等级的v5会更 小
- 在自定义的数据集上,经过实验,其实,yolov5, yolov7的精度表现是最好的,yolov8的识别差强人意。
- yolov5, v7 的精度差不多,但v7的模型和计算量都相对较少,推荐yolov7
- yolov9,也对比了一下,并没有yolov5,7的泛化能力那么强,还是推荐yolov7
2. 实测实验结果
- 私人数据集
3. v5,7,8,9模型在私人数据集上的区别
其实每一个模型都有自己的长处,有的模型非常自信(比如v5,v7) 有的模型不那么自信(比如v8)。举个例子来说(博主自己的私人数据集嗷),在同一个训练集下,v8预测出来的难样本通常置信度在0.2~0.5这样子,而v7 要么很高置信度(通常>=0.7)的识别到这个难样本,要么就没有识别到这个难样本。所以取舍啊,完全看项目。
其次就是网络的计算量,前后处理的计算量,推理时间,训练时间,都需要全面的结合项目来做考量。
所以,在做项目中,针对你的问题,来选择对应的模型。每个模型的优缺点不一样,要对每个模型的风格有自己的认识哦~
4. 关于模型的选择
博主自己做过很多对比试验,每个模型的特点其实都不太一样。我们从基础的讲起。
目标检测分为:anchor base 和 anchor free 两种方式
我们先说anchor free:他的主要优点就是 不需要 人工设置先验框,前后处理的计算量都少一些。anchor base的则相反,由于需要人工 设置先验框,所以前后处理的计算量要多一些。
但anchor base由于有了先验框它可以在200epoch就收敛的很好了,而anchor free 则需要300epoch (例如yolov8,官方epoch的推荐数值是500轮)。
还有一些灵活度的问题,anchor base的方法灵活度会高一些,他后处理中可调的参数有三个阈值分别是,这个框内是物体还是背景, category类别置信度, nms的阈值。所以对于你的任务来说,你想要召回率,准确率的平衡,可调的参数就有三个了。而 anchor free 由于本身的算法逻辑, 他是没有判断这个框内是物体还是背景这个概率的,所以可调的参数就少了一个。