目标检测：记录YOLO系列实验的一些发现

1.概述 

在使用YOLO系列模型进行实验时，总会遇到各种各样的问题，比如：如何进行模块改进、如何做对比实验、如何进行计数等......本篇文章就是针对YOLO系列模型进行问题总结，将本人在实验过程中，所遇到的问题以及解决方法进行总结。

2. 问题以及解决总结

1. 在目标检测某些应用领域中，可能会有计数功能，所以会需要计数的一些评价指标，如图1，例如：均方根误差RMSE、平均绝对误差MAE、决定系数等评价指标，n为测试图像个数，代表第i张图像的真实值个数，第i张图像的推测值个数。

图1 

YOLOv5：在val.py文件中，如图2中nl代表第i张图像的真实框个数，npr代表第i张图像的预测框个数。根据这两个值，可以计算出计数的评价指标。

图2

YOLOv7：在test.py文件中.....

YOLOv8：在test.py文件中.....

2. 在目标检测实验过程中，两次相同实验结果大概率会有所不同，但是在YOLOv5和YOLOv8中都有随机种子的设置，但是设置之后依旧结果不同（目前不知道出于什么原因），猜测是因为随机种子没有固定住；在YOLOv7中，可以使用固定随机种子，使实验结果保持一致。

YOLOv5和YOLOv8：目前只能多实验几次，查看实验结果。

YOLOv7：在general.py文件中添加set_seed方法.....

3. 在添加注意力机制时，有很多种不同的方式，通过下列三种不同的情况，排列组合会出现很多不同的结果（可能会高，可能会低）

        1. 注意力机制添加的数量

        2. 注意力机制添加的位置

        3. 不同的注意力机制

注意：在我自己实验过程中，发现一些小问题，由于数据集中目标较多，并且在基线模型上效果已经挺高，所以在将注意力机制添加在主干网络与neck部分时，出现了召回率下降，导致准确率提高，最终的精度也稍微有所提高，所以在添加注意力机制时，要先分析自己数据集，如果需要关注某些区域位置的信息，可以尝试将注意力添加在主干网络，否则可以尝试添加在neck等等...... 

4. YOLO网络中的Concat模块，看似是使用torch.concat进行连接；实则并不是。例如：在YOLOv8的task.py中将两个输入进行相加而已，所以并不是像torch.concat那样，增加了通道数，而是更像torch.add一样。（个人理解）

elif m is Concat:
    c2 = sum(ch[x] for x in f)

持续更新......