YoloV8改进策略:将FasterNet与YoloV8深度融合,打造更快更强的检测网络

文章目录

  • 数据集
  • 官方模型的成绩
  • 改进一
  • 改进二
  • 改进三
  • 总结

数据集

本来想选COCO数据集,但是我觉得训练相同的epoch是一种不公平的对比,因为预训练本来就是COCO数据集上得来的,这样对官方的模型有利,而我改动了模型的结构,导致了没有预训练参数。所以我更换一个数据集。
数据集统一选择我自己标注的的飞机数据集。数据集的类别:names: [‘c17’, ‘c5’, ‘helicopter’, ‘c130’, ‘f16’, ‘b2’,
‘other’, ‘b52’, ‘kc10’, ‘command’, ‘f15’, ‘kc135’, ‘a10’,
‘b1’, ‘aew’, ‘f22’, ‘p3’, ‘p8’, ‘f35’, ‘f18’, ‘v22’, ‘f4’,
‘globalhawk’, ‘u2’, ‘su-27’, ‘il-38’, ‘tu-134’, ‘su-33’,
‘an-70’, ‘su-24’, ‘tu-22’, ‘il-76’]

我会将转换后的数据集放到百度网盘里。

官方模型的成绩

训练脚本:
train.py

from ultralytics import YOLO

# 加载模型

你可能感兴趣的:(YoloV8实战以及改进策略,YOLO,深度学习,python)