CN116958961A - 一种基于改进YOLOv8s的轻量级石榴识别方法 - Google Patents
一种基于改进YOLOv8s的轻量级石榴识别方法 Download PDFInfo
- Publication number
- CN116958961A CN116958961A CN202310686793.6A CN202310686793A CN116958961A CN 116958961 A CN116958961 A CN 116958961A CN 202310686793 A CN202310686793 A CN 202310686793A CN 116958961 A CN116958961 A CN 116958961A
- Authority
- CN
- China
- Prior art keywords
- pomegranate
- convolution
- lightweight
- channel
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241000219991 Lythraceae Species 0.000 title claims abstract description 58
- 235000014360 Punica granatum Nutrition 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 230000000694 effects Effects 0.000 claims abstract description 18
- 230000007246 mechanism Effects 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 238000000137 annealing Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 5
- 235000013399 edible fruits Nutrition 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000002420 orchard Substances 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000002917 insecticide Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了基于改进YOLOv8s的轻量级石榴识别方法，该方法包括以下步骤：搭建轻量化YOLOv8网络；获取石榴图像并搭建数据集，将所述数据集按比例划分为训练集、验证集以及测试集；将数据集送入所述轻量化YOLOv8网络进行训练，得到权重文件；将所述测试集中的图片利用所述权重文件进行测试，得到改进网络的效果和检测结果。该方法采用ShuffleNetv2替换YOLOv8检测算法的骨干网络，并集成了超轻量化注意力机制ECA(EfficientChannel Attention)，在不提升模型计算量的同时保持YOLOv8的精度优势。进一步地，将标准卷积模块替换成深度可分离卷积(DWConv)模块，使模型极致轻量化，满足部署到嵌入式设备的要求。
Description
技术领域
本发明涉及计算机视觉领域，具体涉及一种基于改进YOLOv8s的轻量级石榴识别方法。
背景技术
目前，我国农业生产不断向规模化、集约化、精准化方向发展，对具有智能化、自动化的农业智能装备的需求也快速增加。由于果园环境复杂，目前石榴的采摘主要还是依靠人工。而石榴采摘是季节性强、劳动密集型的农业活动。人工采收的方法不仅效率低，而且劳动强度大。因此，在农业劳动力紧缺、采摘成本不断增加的情况下，以石榴采摘机器人代替人工采摘具有重要的现实意义和广阔的应用前景。在自然生长环境中准确检测水果有利于果园的自动化和智能化管理。此外，在疏果前对石榴果实进行快速准确的检测，不仅有助于早期估产，而且具有很大的实用价值。还可以帮助种植者可变喷洒杀虫剂、水和肥料，并监测水果生长。
石榴检测本质上属于目标检测。目标检测算法可分为传统算法和基于深度学习的算法。传统的果实识别算法大多依赖于果实的大小、颜色、纹理和形状等视觉特征，在特定环境下取得了较好的识别效果。然而，由于农业种植环境的复杂多变，目标果实的识别易受到光照不均、枝叶遮挡、果实重叠等干扰因素的影响，其外观特征会随环境变化而发生较大变化，由于受到干扰因素的作用，在自然条件下识别效果不理想。
发明内容
针对现有技术存在的以上问题，本发明提出一种基于改进YOLOv8s的轻量级石榴识别方法。该方法采用ShuffleNetv2替换YOLOv8检测算法的骨干网络，并集成了超轻量化注意力机制ECA(Efficient Channel Attention)，在不提升模型计算量的同时保持YOLOv8的精度优势。进一步地，将标准卷积模块替换成深度可分离卷积(DWConv)模块，使模型极致轻量化，满足部署到嵌入式设备的要求。
本发明提供的技术解决方案如下：
一种基于改进YOLOv8s的轻量级石榴识别方法，其特殊之处在于，包括以下步骤：
搭建轻量化YOLOv8s网络；
获取石榴图像并搭建数据集，将所述数据集按比例划分为训练集、验证集以及测试集；
将数据集送入所述轻量化YOLOv8s网络进行训练，得到权重文件；
将所述测试集中的图像利用所述权重文件进行测试，得到改进网络的效果和检测结果。
进一步地，所述搭建轻量化YOLOv8s网络，包括以下步骤：
采用ShuffleNetv2替换YOLOv8s检测算法的骨干网络；
将标准卷积替换成深度可分离卷积(DWConv)，所述深度可分离卷积主要包括两个卷积，分别为逐通道卷积(Depthwise Convolution)和逐点卷积(PointwiseConvolution)；
在特征融合网络中引入超轻量化注意力机制ECA。
进一步地，所述将标准卷积替换成深度可分离卷积(DWConv)，包括以下步骤：
定义所述逐通道卷积过程中的卷积核大小为W×H，对输入的图像逐通道卷积过程是对图像的每一个通道在二维平面上进行分别卷积，通过计算量W×H×C得到相互独立的第一特征图，其中C为图像的通道数；
定义所述逐点卷积过程中的卷积核大小为1×1×C，采用逐点卷积将得到的所述第一特征图结合起来，在深度方向加权组合，生成第二特征图。
进一步地，所述在特征融合网络中引入超轻量化注意力机制ECA，包括以下步骤：
在Neck层的C3模块之后插入轻量级的通道注意力机制模块ECA，着重输出重要通道的信息与第三特征图，将ECA模块的通道数与C3模块输出的所述第三特征图的通道数对应，根据第一函数对所述第三特征图进行平均池化，得到平均池化结果Favg，将输出结果Favg视为1×C的二维向量X，X＝[x1 x2 … xc]，所述第一函数表达式为：
其中，Pavg为平均池化过程，xij是大小为W×H的特征图上横坐标为i，纵坐标为j的点，W和H分别是输入特征图的宽度和高度，xk表示二维向量X的第k个分量；
利用一维卷积提取Favg中每k个通道的特征关系，k为一维卷积核的大小，通过权重矩阵Wk来学习各通道的信息，其中权重矩阵Wk表达式为：
根据所述权重矩阵Wk得到输出结果Y为：
其中，ωc,c为权重矩阵第c行第c列的分量，c为通道数；
由输出结果Y看出，仅考虑xi与其k个相邻通道之间的相互作用，避免了降维，同时保持了通道注意，即
其中，xi为第i个通道，表示xi的k个相邻通道的集合，k值与通道数之间的映射关系可以表示如下：
其中，|x|odd表示与x最近的奇数，γ＝2，b＝1；为映射关系。
进一步地，所述获取石榴图像并搭建数据集，将所述数据集按比例划分为训练集、验证集以及测试集，包括以下步骤：
获取石榴图像
在当地石榴园进行实景拍摄，得到不同光线条件下的石榴图像，以及树上的石榴，掉落的石榴等不同场景下的石榴图像；
对图像进行标记
采用Labellmg对获取到的所述石榴图像进行标记，标签命名为“pomegranate”，得到数据集；
按照比例划分数据集
按照训练集：验证集：测试集＝7:2:1的比例对所述数据集进行随机划分。
进一步地，所述将数据集送入所述轻量化YOLOv8网络进行训练，得到权重文件，包括以下步骤：
基于余弦退火算法(Cosine annealing)，在训练过程中自动调整模型的学习率；
输出三个不同大小的特征图分别对应三种不同类型的目标，得到在训练过程中效果最好的一轮，并保存权重文件为best.pt。
进一步地，所述将所述测试集中的图片利用所述权重文件进行测试，得到改进网络的效果和检测结果，包括以下步骤：
读取所述测试集中的一张图像，通过所述权重文件进行检测，得到检测结果；
重读所述测试集中的图像，直至测试集中的图像全部检测完毕。
与现有技术相比，本发明的有益效果是：
(1)本发明以单阶段检测算法YOLO系列中的最新算法YOLOv8为基础，相较于两阶段算法具有速度快和体积小、计算量低的优势。
(2)YOLOv8的精度能够达到石榴检测任务的要求，在此基础上进行轻量化不会使精度有太大降低。
(3)本发明引入ShuffleNetv2替换骨干网络，并将标准卷积替换为深度可分离卷积，极大程度上减少了计算量，满足石榴检测任务的实时性要求，并易于部署在嵌入式设备中。
(4)为了弥补轻量化带来的精度损失，本发明在特征融合网络中引入超轻量化注意力机制ECA，在基本不增加计算量的基础上保证模型检测精度。
附图说明
图1为本发明实施例中基于改进YOLOv8s的轻量级石榴识别方法的流程图；
图2为本发明实施例中ShuffleNetv2模块的结构示意图；
图3为本发明实施例中逐通道卷积的结构示意图；
图4为本发明实施例中逐点卷积的结构示意图；
图5为本发明实施例中超轻量化注意力机制ECA的结构示意图；
图6为本发明实施例中基于改进YOLOv8s对不同自然条件下的石榴的检测效果图；
图7为本发明实施例中改进后的轻量化网络结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，下面所描述的实施例是本申请的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下结合附图提供的本申请实施例的详细描述旨在仅仅表示本申请的选定实施例，并非限制本申请要求保护的范围。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的其他所有实施例，都属于本申请保护的范围。
需要理解的是，在本发明的实施方式的描述中，术语“第一”、“第二”、等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个所述特征。
本发明以自然环境中的石榴作为检测对象，选用训练平台的系统配置为16GB内存的英特尔i5-10400F处理器，12GB内存的Nvidia GeForce RTX 3060显卡。在Windows 10操作系统下构建YOLOv8网络，采用版本为3.6.5的Python编程语言，在训练过程中设置训练轮数为1000，Batchsize为16，并调用Cuda和Cudnn加速库。
参阅图1，本发明提供了一种基于改进YOLOv8s的轻量级石榴识别方法，包括以下步骤：
S101、搭建轻量化YOLOv8网络。
S102、获取石榴图像并搭建数据集，将所述数据集按比例划分为训练集、验证集以及测试集。
S103、将数据集送入所述轻量化YOLOv8网络进行训练，得到权重文件。
S104、将所述测试集中的图像利用所述权重文件进行测试，得到改进网络的效果和检测结果。
参阅图7，本发明采用ShuffleNetv2替换YOLOv8检测算法的骨干网络，并集成了超轻量化注意力机制ECA(Efficient Channel Attention)，在不提升模型计算量的同时保持YOLOv8的精度优势。进一步地，将标准卷积模块替换成深度可分离卷积(DWConv)模块，使模型极致轻量化，满足部署到嵌入式设备的要求。
可选的，步骤S101中，所述搭建轻量化YOLOv8网络，包括以下步骤：
S201、采用ShuffleNetv2替换YOLOv8检测算法的骨干网络。
在输入网络之前先将特征图分成左右两个通道分支，通道数分别为c1和c2(实际实现时c2一般为c1/2)。如图2所示，左边的分支用作同等映射，右边的分支设计了3个连续的输入与输出通道相同的卷积。其中的两个1x1卷积不再是分组卷积。左右分支的输出都由Concat替换Add进行输出，接下来对concat输出的结果输入channle shuffle模块以保证两分支之间的信息交流。
S202、将标准卷积替换成深度可分离卷积(DWConv)，所述深度可分离卷积主要包括两个卷积，分别为逐通道卷积(Depthwise Convolution)和逐点卷积(PointwiseConvolution)；
S203、在特征融合网络中引入超轻量化注意力机制ECA。
可选的，步骤S202中，所述将标准卷积替换成深度可分离卷积(DWConv)，包括以下步骤：
S301、定义所述逐通道卷积过程中的卷积核大小为W×H，如图3所示，对输入的图像逐通道卷积过程是对图像的每一个通道在二维平面上进行分别卷积，通过计算量W×H×C得到相互独立的第一特征图，其中C为图像的通道数。本实施例中，对输入的图像逐通道卷积过程是对图像的每一个通道进行分别卷积，是在二维平面上的运算，计算量为W×H×C，其中C为图像的通道数，对于一般的彩色图像通道数通常为3。
S302、定义所述逐点卷积过程中的卷积核大小为1×1×C，采用逐点卷积将得到的所述第一特征图结合起来，在深度方向加权组合，生成第二特征图。如图4所示，逐点卷积运算与常规卷积运算非常相似，卷积核的尺寸为1×1×C，C为上一层的通道数。
可选的，步骤S203中，所述在特征融合网络中引入超轻量化注意力机制ECA，包括以下步骤：
在Neck层的C3模块之后插入轻量级的通道注意力机制模块ECA，着重输出重要通道的信息与第三特征图，将ECA模块的通道数与C3模块输出的所述第三特征图的通道数对应，根据第一函数对所述第三特征图进行平均池化，得到平均池化结果Favg，将输出结果Favg视为1×C的二维向量X，X＝[x1 x2 … xc]，所述第一函数表达式为：
其中，Pavg为平均池化过程，xij是大小为W×H的特征图上横坐标为i，纵坐标为j的点，W和H分别是输入特征图的宽度和高度，xk表示二维向量X的第k个分量；
利用一维卷积提取Favg中每k个通道的特征关系，k为一维卷积核的大小，通过权重矩阵Wk来学习各通道的信息，其中权重矩阵Wk表达式为：
根据所述权重矩阵Wk得到输出结果Y为：
其中，ωc,c为权重矩阵第c行第c列的分量，c为通道数；
由输出结果Y看出，仅考虑xi与其k个相邻通道之间的相互作用，避免了降维，同时保持了通道注意，即
其中，xi为第i个通道，表示xi的k个相邻通道的集合，k值与通道数之间的映射关系可以表示如下：
其中，|x|odd表示与x最近的奇数，γ＝2，b＝1；为映射关系。
可选的，本发明获取石榴图像的途径为在当地石榴园进行实景拍摄，得到不同光线条件下的石榴图像，以及树上的石榴，掉落的石榴等不同场景下的石榴图像。
步骤S102中，所述获取石榴图像并搭建数据集，将所述数据集按比例划分为训练集、验证集以及测试集，包括以下步骤：
S401、获取石榴图像
在当地石榴园进行实景拍摄，得到不同光线条件下的石榴图像，以及树上的石榴，掉落的石榴等不同场景下的石榴图像；
S402、对图像进行标记
采用Labellmg对获取到的所述石榴图像进行标记，标签命名为“pomegranate”，得到数据集，获得标注好的图片共计1360张。
S403、按照比例划分数据集
按照训练集：验证集：测试集＝7:2:1的比例对所述数据集进行随机划分，得到数据集为训练集952张，验证集272张，测试集136张。
可选的，步骤S103中，所述将数据集送入所述轻量化YOLOv8网络进行训练，得到权重文件，包括以下步骤：
S501、基于余弦退火算法(Cosine annealing)，在训练过程中自动调整模型的学习率。
在步骤S501中，在轻量化YOLOv8网络的训练过程中，学习率的设置会影响模型的收敛速度，进一步影响模型的效果。因此，本发明采用余弦退火算法，在训练过程中自动调整模型的学习率。余弦退火算法通过余弦函数来降低学习率。余弦函数中随着x的增加余弦值首先缓慢下降，然后加速下降，再次缓慢下降。这种下降模式能和学习率配合，以一种十分有效的计算方式来产生很好的效果。原理如下式。
其中，和/>分别表示学习率的最大值和最小值，模型训练过程中学习率在这个范围内波动。Tcur表示自上次重启之后，模型训练的轮数。Ti表示第i此训练的总轮数。
S502、输出三个不同大小的特征图分别对应三种不同类型的目标，得到在训练过程中效果最好的一轮，并保存权重文件为best.pt。
在步骤S502中，通过Detect层得到尺寸大小为20×20、40×40、80×80的特征图，分别对应小、中、大三个尺寸的目标，得到在训练过程中效果最好的一轮，并保存权重文件为best.pt。
本发明的损失函数主要由正负样本分配策略和Loss计算两部分组成。其中，正负样本分配策略根据分类与回归的分数加权的分数选择正样本。
t＝sα×uβ
s是标注类别对应的预测分值，u是预测框和真实框的交并比，两者相乘就可以衡量对齐程度。
Loss计算包括两部分：分类损失和回归损失。分类分支采用BCE Loss，回归分支使用DFL(Distribution Focal Loss)和CIoU Loss。
可选的，步骤S104中，所述将所述测试集中的图片利用所述权重文件进行测试，得到改进网络的效果和检测结果，包括以下步骤：
S601、读取所述测试集中的一张图像，通过所述权重文件进行检测，得到检测结果如图6所示。
S602、重读所述测试集中的图像，直至测试集中的136张图像全部检测完毕。采用准备好的数据集，设置置信度阈值为0.5，得到模型的整体性能如表1。
表1模型的整体性能
以上所述，仅为本申请的最优具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种基于改进YOLOv8s的轻量级石榴识别方法，其特征在于，包括以下步骤：
搭建轻量化YOLOv8网络；
获取石榴图像并搭建数据集，将所述数据集按比例划分为训练集、验证集以及测试集；
将数据集送入所述轻量化YOLOv8网络进行训练，得到权重文件；
将所述测试集中的图像利用所述权重文件进行测试，得到改进网络的效果和检测结果。
2.根据权利要求1所述的基于改进YOLOv8s的轻量级石榴识别方法，所述搭建轻量化YOLOv8网络，其特征在于，包括以下步骤：
采用ShuffleNetv2替换YOLOv8检测算法的骨干网络；
将标准卷积替换成深度可分离卷积(DWConv)，所述深度可分离卷积主要包括两个卷积，分别为逐通道卷积(Depthwise Convolution)和逐点卷积(Pointwise Convolution)；
在特征融合网络中引入超轻量化注意力机制ECA。
3.根据权利要求2所述的基于改进YOLOv8s的轻量级石榴识别方法，所述将标准卷积替换成深度可分离卷积(DWConv)，其特征在于，包括以下步骤：
定义所述逐通道卷积过程中的卷积核大小为W×H，对输入的图像逐通道卷积过程是对图像的每一个通道在二维平面上进行分别卷积，通过计算量W×H×C得到相互独立的第一特征图，其中C为图像的通道数；
定义所述逐点卷积过程中的卷积核大小为1×1×C，采用逐点卷积将得到的所述第一特征图结合起来，在深度方向加权组合，生成第二特征图。
4.根据权利要求3所述的基于改进YOLOv8s的轻量级石榴识别方法，所述在特征融合网络中引入超轻量化注意力机制ECA，其特征在于，包括以下步骤：
在Neck层的C3模块之后插入轻量级的通道注意力机制模块ECA，着重输出重要通道的信息，得到第三特征图，将ECA模块的通道数与C3模块输出的所述第三特征图的通道数对应，根据第一函数对所述第三特征图进行平均池化，得到平均池化结果Favg，将输出结果Favg视为1×C的二维向量X，X＝[x1 x2 … xc]，所述第一函数表达式为：
其中，Pavg为平均池化过程，xij是大小为W×H的特征图上横坐标为i，纵坐标为j的点，W和H分别是输入特征图的宽度和高度，xk表示二维向量X的第k个分量；
利用一维卷积提取Favg中每k个通道的特征关系，k为一维卷积核的大小，通过权重矩阵Wk来学习各通道的信息，其中权重矩阵Wk表达式为：
根据所述权重矩阵Wk得到输出结果Y为：
其中，ωc,c为权重矩阵第c行第c列的分量，c为通道数；
由输出结果Y看出，仅考虑xi与其k个相邻通道之间的相互作用，避免了降维，同时保持了通道注意，即
其中，xi为第i个通道，表示xi的k个相邻通道的集合，k值与通道数之间的映射关系可以表示如下：
其中，|x|odd表示与x最近的奇数，γ＝2，b＝1；为映射关系。
5.根据权利要求1所述的基于改进YOLOv8s的轻量级石榴识别方法，所述获取石榴图像并搭建数据集，将所述数据集按比例划分为训练集、验证集以及测试集，其特征在于，包括以下步骤：
获取石榴图像
在当地石榴园进行实景拍摄，得到不同光线条件下的石榴图像，以及树上的石榴，掉落的石榴等不同场景下的石榴图像；
对图像进行标记
采用Labellmg对获取到的所述石榴图像进行标记，标签命名为“pomegranate”，得到数据集；
按照比例划分数据集
按照训练集：验证集：测试集＝7:2:1的比例对所述数据集进行随机划分。
6.根据权利要求1所述的基于改进YOLOv8s的轻量级石榴识别方法，所述将数据集送入所述轻量化YOLOv8网络进行训练，得到权重文件，其特征在于，包括以下步骤：
基于余弦退火算法(Cosineannealing)，在训练过程中自动调整模型的学习率；
输出三个不同大小的特征图分别对应三种不同类型的目标，得到在训练过程中效果最好的一轮，并保存权重文件为best.pt。
7.根据权利要求1所述的基于改进YOLOv8s的轻量级石榴识别方法，所述将所述测试集中的图像利用所述权重文件进行测试，得到改进网络的效果和检测结果，其特征在于，包括以下步骤：
读取所述测试集中的一张图像，通过所述权重文件进行检测，得到检测结果；
重读所述测试集中的图像，直至测试集中的图像全部检测完毕。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310686793.6A CN116958961A (zh) | 2023-06-12 | 2023-06-12 | 一种基于改进YOLOv8s的轻量级石榴识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310686793.6A CN116958961A (zh) | 2023-06-12 | 2023-06-12 | 一种基于改进YOLOv8s的轻量级石榴识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116958961A true CN116958961A (zh) | 2023-10-27 |
Family
ID=88451921
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310686793.6A Pending CN116958961A (zh) | 2023-06-12 | 2023-06-12 | 一种基于改进YOLOv8s的轻量级石榴识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116958961A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117593674A (zh) * | 2024-01-18 | 2024-02-23 | 南昌大学 | 一种轻量级无人机航拍目标实时检测方法 |
-
2023
- 2023-06-12 CN CN202310686793.6A patent/CN116958961A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117593674A (zh) * | 2024-01-18 | 2024-02-23 | 南昌大学 | 一种轻量级无人机航拍目标实时检测方法 |
| CN117593674B (zh) * | 2024-01-18 | 2024-05-03 | 南昌大学 | 一种轻量级无人机航拍目标实时检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | A deep learning approach incorporating YOLO v5 and attention mechanisms for field real-time detection of the invasive weed Solanum rostratum Dunal seedlings | |
| CN107067043B (zh) | 一种农作物病虫害检测方法 | |
| CN109325431B (zh) | 草原放牧绵羊采食路径中植被覆盖度的检测方法及其装置 | |
| CN114387520B (zh) | 一种用于机器人采摘的密集李子精准检测方法及其系统 | |
| CN107392901A (zh) | 一种用于输电线路部件智能自动识别的方法 | |
| CN104751185B (zh) | 基于均值漂移遗传聚类的sar图像变化检测方法 | |
| CN109886155A (zh) | 基于深度学习的单株水稻检测定位方法、系统、设备及介质 | |
| CN113657326A (zh) | 一种基于多尺度融合模块和特征增强的杂草检测方法 | |
| CN110363218B (zh) | 一种胚胎无创评估方法及装置 | |
| Rong et al. | Pest Identification and Counting of Yellow Plate in Field Based on Improved Mask R‐CNN | |
| CN116958961A (zh) | 一种基于改进YOLOv8s的轻量级石榴识别方法 | |
| CN110263790A (zh) | 一种基于卷积神经网络的电厂电表字符定位和识别方法 | |
| CN109492534A (zh) | 一种基于Faster RCNN的跨场景多姿态的行人检测方法 | |
| Zhang et al. | An algorithm for automatic identification of multiple developmental stages of rice spikes based on improved Faster R-CNN | |
| CN113537293A (zh) | 基于无人机和全卷积神经网络的小麦倒伏区域识别方法 | |
| CN110307903A (zh) | 一种家禽特定部位无接触温度动态测量的方法 | |
| CN116682106A (zh) | 一种基于深度学习的柑橘木虱智能检测方法及装置 | |
| CN112861666A (zh) | 一种基于深度学习的鸡群计数方法及应用 | |
| CN116597332A (zh) | 一种基于无人机的茶树嫩芽检测方法及装置 | |
| CN113822198B (zh) | 基于uav-rgb图像和深度学习的花生生长监测方法、系统及介质 | |
| CN104182972B (zh) | 一种野外用复杂光照下的实弹射击自动报靶系统及方法 | |
| CN115861858A (zh) | 基于背景过滤的小样本学习农作物冠层覆盖度计算方法 | |
| CN113312999B (zh) | 一种自然果园场景下的柑橘木虱高精度检测方法及装置 | |
| CN117197595A (zh) | 基于边缘计算的果树生育期识别方法、装置及管理平台 | |
| CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |