Datawhale AI 夏令营第五期 CV Task3

本文主要是介绍Datawhale AI 夏令营第五期 CV Task3，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

活动简介

活动链接：Datawhale AI 夏令营（第五期）
在这里插入图片描述
以及CV里面的本次任务说明：Task 3 上分思路——数据集增强与模型预测

链接里的教程非常详细，主要是从三个方面（数据集增强、设置 YOLO 模型训练参数、设置 YOLO 模型预测行为和性能）来教我们在比赛中上分的技巧。
具体细节我就不赘述了，参看教程即可，这次我主要就Task3里的知识点做一下笔记，里面有些知识整理得真是非常清晰+详细，我要贴到博客里以便日后翻查（对以后参加比赛或者写论文提升模型性能十分有用）。

笔记

数据集增强

常见的增强技术包括翻转、旋转、缩放和颜色调整。多个库，例如Albumentations、Imgaug和TensorFlow的ImageDataGenerator，可以生成这些增强。
在这里插入图片描述

设置 YOLO 模型训练参数

通常，在初始训练时期，学习率从低开始，逐渐增加以稳定训练过程。但是，由于您的模型已经从以前的数据集中学习了一些特征，因此立即从更高的学习率开始可能更有益。在 YOLO 中绝大部分参数都可以使用默认值。

imgsz: 训练时的目标图像尺寸，所有图像在此尺寸下缩放。
save_period: 保存模型检查点的频率（周期数），-1 表示禁用。
device: 用于训练的计算设备，可以是单个或多个 GPU，CPU 或苹果硅的 MPS。
optimizer: 训练中使用的优化器，如 SGD、Adam 等，或 ‘auto’ 以根据模型配置自动选择。
momentum: SGD 的动量因子或 Adam 优化器的 beta1。
weight_decay: L2 正则化项。
warmup_epochs: 学习率预热的周期数。
warmup_momentum: 预热阶段的初始动量。
warmup_bias_lr: 预热阶段偏置参数的学习率。
box: 边界框损失在损失函数中的权重。
cls: 分类损失在总损失函数中的权重。
dfl: 分布焦点损失的权重。

在YOLOv5及其后续版本中，imgsz可以被设置为一个整数，用于训练和验证模式，表示将输入图像调整为正方形的尺寸，例如imgsz=640意味着图像将被调整为640x640像素。对于预测和导出模式，imgsz可以被设置为一个列表，包含宽度和高度，例如imgsz=[640, 480]，表示图像将被调整为640像素宽和480像素高。较大的图像尺寸可能会提高模型的准确性，但会增加计算量和内存消耗。较小的图像尺寸可能会降低模型的准确性，但会提高计算速度和内存效率。因此，用户应根据实际场景需求及硬件资源限制，设置合适的输入图像尺寸

设置 YOLO 模型预测行为和性能

YOLO模型的预测结果通常包括多个组成部分，每个部分提供关于检测到的对象的不同信息。同时 YOLO 能够处理包括单独图像、图像集合、视频文件或实时视频流在内的多种数据源，也能够一次性处理多个图像或视频帧，进一步提高推理速度。
在这里插入图片描述
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。
在这里插入图片描述