datawhale AI夏令营，yolo+CV笔记task2-CSDN博客

本文链接：https://blog.csdn.net/wssqw/article/details/141687483

在本次学习中datawhale，对我们所用的YOLO进行了简单的介绍。如果想了解跟多的话可以点击下面的卡片进入了解

‌‌⁠‌‬‌⁠‬‬‌‍‌‍‍‬⁠‬‍‬‬‌‬Task2：建模方案解读与进阶 - 飞书云文档 (feishu.cn)https://datawhaler.feishu.cn/wiki/LiZswOp27ieilak4suRcYI9Knlf首先介绍了YOLO模型

输入：物体检测算法的输入通常是一张图像或视频帧。
特征提取：算法使用深度学习模型（如卷积神经网络CNN）来提取图像的特征。这些特征捕捉了图像中的视觉信息，为后续的物体识别和定位提供基础。
候选区域生成：在某些检测算法中，如基于区域的卷积神经网络（R-CNN）及其变体，首先需要生成图像中的候选区域，这些区域可能包含感兴趣的物体。
区域分类和边界框回归：对于每个候选区域，算法需要判断它是否包含特定类别的物体，并预测物体的边界框。这通常涉及到分类任务和回归任务的结合。
非极大值抑制（NMS）：在检测过程中，可能会产生多个重叠的边界框，用于表示同一物体。NMS是一种常用的技术，用于选择最佳的边界框并去除多余的框。

通过对比的方法讲解了两类物体识别算法，One-Stage（一阶段）和Two-Stage（两阶段）模型，然后引入YOLO算法，对YOLO算法简要讲了一下，然后对YOLO出现以来至今更新迭代的版本的贡献与特点整理。

然后对YOLO数据集的标注格式进行了详细的介绍，让在YOLO的训练过程中，这样的配置文件允许用户轻松地指定数据集的位置和类别信息，从而无需在训练脚本中硬编码。其配置一般有path、

train、val、nc和names，代码如下

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../dataset/  # dataset root dir
train: images/train/  # train images (relative to 'path') 128 images
val: images/val/  # train images (relative to 'path') 128 images

# Classes
nc: 2  # number of classes
names: ["0", '1']  # class names

然后又讲了YOLO的训练日志包含了模型权重(.pt 或 .pth 文件)、日志文件(.log 文件)、配置文件(.yaml 或 .cfg 文件)、图表和可视化以及测试结果。

然后对baseline的进阶给出了两种进阶思路，一种是增加训练的数据集，第二种是切换不同的模型进行不同权重的训练。得出结果。

最后也给出了四个不同于YOLOv8n的YOLOv8模型，其中YOLOv8n的评分是0.055269507247802

!wget http://mirror.coggle.club/yolo/yolov8s-v8.2.0.pt -O yolov8s.pt
!wget http://mirror.coggle.club/yolo/yolov8m-v8.2.0.pt -O yolov8m.pt
!wget http://mirror.coggle.club/yolo/yolov8l-v8.2.0.pt -O yolov8l.pt
!wget http://mirror.coggle.club/yolo/yolov8x-v8.2.0.pt -O yolov8x.pt

其中前两个我也训练好了并上传的到了不同的评分其中YOLOv8s的评分是0.1131878222711792

而YOLOv8m的评分是0.1662784087462407，就可以看出后两者对YOLOv8n在这方面的堪称降维打击了。

以下是我运行的后的截图