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......