自然生态环境，作为我们人类赖以生存的家园，其健康与否直接关系到我们的生活质量。然而，近年来，一些不法分子为了个人私利，在河边、路边等公共区域肆意倾倒垃圾，严重破坏了环境的健康与平衡。这种行为不仅损害了公共利益，更对生态环境造成了不可逆转的破坏。为了打击此类违法行为，维护自然生态环境的健康与美丽，各个监管部门和执法部门积极行动，加大了对违法倾倒行为的打击力度。然而，由于人力有限，纯人力的监管方式在效率和成本上均存在局限。在此背景下，基于AI视觉的无人监管哨兵应运而生，为环境保护提供了新的解决方案。AI视觉无人监管哨兵利用先进的计算机视觉技术和深度学习算法，实现对环境区域的24小时自动监测预警。这些哨兵能够自动识别并追踪违法倾倒行为，通过高清摄像头捕捉违法行为的图像和视频证据，并实时传输给监管部门和执法部门。与传统的监管方式相比，AI视觉无人监管哨兵具有诸多优势。首先，它能够全天候不间断地工作，无需人工值守，大大降低了监管成本。其次，它能够快速准确地识别违法行为，减少了漏报和误报的可能性。此外，它还能够对违法行为进行实时追踪和定位，为执法部门提供足够的的执法依据。
在前面的博文中，我们已经进行了相关的开发实践，感兴趣的话可以自行移步阅读即可：
《打造清洁宜居家园保护自然生态环境，基于YOLOv5全系列【n/s/m/l/x】参数模型开发构建自然生态场景下违规违法垃圾倾倒检测识别系统》
《打造清洁宜居家园保护自然生态环境，基于YOLOv7【tiny/l/x】参数系列模型开发构建自然生态场景下违规违法垃圾倾倒检测识别系统》
《打造清洁宜居家园保护自然生态环境，基于YOLOv8全系列【n/s/m/l/x】参数模型开发构建自然生态场景下违规违法垃圾倾倒检测识别系统》
《打造清洁宜居家园保护自然生态环境，基于端到端YOLOv10全系列【n/s/m/b/l/x】参数模型构建自然生态场景下违规违法垃圾倾倒检测识别系统》
《打造清洁宜居家园保护自然生态环境，基于YOLOv11全系列【n/s/m/l/x】参数模型构建自然生态场景下违规违法垃圾倾倒检测识别系统》
《打造清洁宜居家园保护自然生态环境，基于最新以注意力为核心的YOLOv12全系列【n/s/m/l/x】参数模型构建自然生态场景下违规违法垃圾倾倒检测识别系统》
《打造清洁宜居家园保护自然生态环境，基于嵌入式端超轻量级模型LeYOLO全系列【n/s/m/l】参数模型构建自然生态场景下违规违法垃圾倾倒检测识别系统》
本文主要是想要基于YOLOv13全系列的模型来进行相应的开发实践，首先看下实例效果：
接下来看下实例数据情况：
在目标检测领域内YOLO系列实在是太卷了，短短一年的时间感觉版本都要迭代好几代了，前面YOLOv12都还没有焐热，现在清华的团队又发布了YOLOv13了，下面是对YOLOv13论文的阅读记录，感兴趣的话可以自行移步阅读即可：
YOLOv13模型整体架构如下所示：
官方项目地址在这里，如下所示：
官方发布了四个不同参数量级的模型，对应的预训练权重地址如下所示：
YOLOv13-N YOLOv13-S YOLOv13-L YOLOv13-X
项目整体是以ultralytics项目为基准构建的，所以整体的使用依旧是比较简洁的风格，实例实现如下所示：
#模型训练开发
from ultralytics import YOLO
model = YOLO('yolov13n.yaml')
results = model.train(
data='coco.yaml',
epochs=600,
batch=256,
imgsz=640,
scale=0.5, # S:0.9; L:0.9; X:0.9
mosaic=1.0,
mixup=0.0, # S:0.05; L:0.15; X:0.2
copy_paste=0.1, # S:0.15; L:0.5; X:0.6
device="0,1,2,3",
)
metrics = model.val('coco.yaml')
results = model("path/to/your/image.jpg")
results[0].show()
#模型评估测试
from ultralytics import YOLO
model = YOLO('yolov13{n/s/l/x}.pt') # Replace with the desired model scale
#模型推理预测
from ultralytics import YOLO
model = YOLO('yolov13{n/s/l/x}.pt') # Replace with the desired model scale
model.predict()
#模型格式转化
from ultralytics import YOLO
model = YOLO('yolov13{n/s/l/x}.pt') # Replace with the desired model scale
model.export(format="engine", half=True) # or format="onnx"这里我们保持完全相同的实验参数设置来进行四款模型的开发训练，等待训练完成之后我们来整体进行各项指标的对比分析。
【Precision曲线】
精确率曲线（Precision Curve）是一种用于评估二分类模型在不同阈值下的精确率性能的可视化工具。它通过绘制不同阈值下的精确率和召回率之间的关系图来帮助我们了解模型在不同阈值下的表现。
精确率（Precision）是指被正确预测为正例的样本数占所有预测为正例的样本数的比例。召回率（Recall）是指被正确预测为正例的样本数占所有实际为正例的样本数的比例。
绘制精确率曲线的步骤如下：
使用不同的阈值将预测概率转换为二进制类别标签。通常，当预测概率大于阈值时，样本被分类为正例，否则分类为负例。
对于每个阈值，计算相应的精确率和召回率。
将每个阈值下的精确率和召回率绘制在同一个图表上，形成精确率曲线。
根据精确率曲线的形状和变化趋势，可以选择适当的阈值以达到所需的性能要求。
通过观察精确率曲线，我们可以根据需求确定最佳的阈值，以平衡精确率和召回率。较高的精确率意味着较少的误报，而较高的召回率则表示较少的漏报。根据具体的业务需求和成本权衡，可以在曲线上选择合适的操作点或阈值。
精确率曲线通常与召回率曲线（Recall Curve）一起使用，以提供更全面的分类器性能分析，并帮助评估和比较不同模型的性能。
【Recall曲线】
召回率曲线（Recall Curve）是一种用于评估二分类模型在不同阈值下的召回率性能的可视化工具。它通过绘制不同阈值下的召回率和对应的精确率之间的关系图来帮助我们了解模型在不同阈值下的表现。
召回率（Recall）是指被正确预测为正例的样本数占所有实际为正例的样本数的比例。召回率也被称为灵敏度（Sensitivity）或真正例率（True Positive Rate）。
绘制召回率曲线的步骤如下：
使用不同的阈值将预测概率转换为二进制类别标签。通常，当预测概率大于阈值时，样本被分类为正例，否则分类为负例。
对于每个阈值，计算相应的召回率和对应的精确率。
将每个阈值下的召回率和精确率绘制在同一个图表上，形成召回率曲线。
根据召回率曲线的形状和变化趋势，可以选择适当的阈值以达到所需的性能要求。
通过观察召回率曲线，我们可以根据需求确定最佳的阈值，以平衡召回率和精确率。较高的召回率表示较少的漏报，而较高的精确率意味着较少的误报。根据具体的业务需求和成本权衡，可以在曲线上选择合适的操作点或阈值。
召回率曲线通常与精确率曲线（Precision Curve）一起使用，以提供更全面的分类器性能分析，并帮助评估和比较不同模型的性能。
【mAP0.5】
mAP0.5，也被称为mAP@0.5或AP50，指的是当Intersection over Union（IoU）阈值为0.5时的平均精度（mean Average Precision）。IoU是一个用于衡量预测边界框与真实边界框之间重叠程度的指标，其值范围在0到1之间。当IoU值为0.5时，意味着预测框与真实框至少有50%的重叠部分。
在计算mAP0.5时，首先会为每个类别计算所有图片的AP（Average Precision），然后将所有类别的AP值求平均，得到mAP0.5。AP是Precision-Recall Curve曲线下面的面积，这个面积越大，说明AP的值越大，类别的检测精度就越高。
mAP0.5主要关注模型在IoU阈值为0.5时的性能，当mAP0.5的值很高时，说明算法能够准确检测到物体的位置，并且将其与真实标注框的IoU值超过了阈值0.5。
【mAP0.5:0.95】
mAP0.5:0.95，也被称为mAP@[0.5:0.95]或AP@[0.5:0.95]，表示在IoU阈值从0.5到0.95变化时，取各个阈值对应的mAP的平均值。具体来说，它会在IoU阈值从0.5开始，以0.05为步长，逐步增加到0.95，并在每个阈值下计算mAP，然后将这些mAP值求平均。
这个指标考虑了多个IoU阈值下的平均精度，从而更全面、更准确地评估模型性能。当mAP0.5:0.95的值很高时，说明算法在不同阈值下的检测结果均非常准确，覆盖面广，可以适应不同的场景和应用需求。
对于一些需求比较高的场合，比如安全监控等领域，需要保证高的准确率和召回率，这时mAP0.5:0.95可能更适合作为模型的评价标准。
综上所述，mAP0.5和mAP0.5:0.95都是用于评估目标检测模型性能的重要指标，但它们的关注点有所不同。mAP0.5主要关注模型在IoU阈值为0.5时的性能，而mAP0.5:0.95则考虑了多个IoU阈值下的平均精度，从而更全面、更准确地评估模型性能。
【loss曲线】
在深度学习的训练过程中，loss函数用于衡量模型预测结果与实际标签之间的差异。loss曲线则是通过记录每个epoch（或者迭代步数）的loss值，并将其以图形化的方式展现出来，以便我们更好地理解和分析模型的训练过程。
【F1值曲线】
F1值曲线是一种用于评估二分类模型在不同阈值下的性能的可视化工具。它通过绘制不同阈值下的精确率（Precision）、召回率（Recall）和F1分数的关系图来帮助我们理解模型的整体性能。
F1分数是精确率和召回率的调和平均值，它综合考虑了两者的性能指标。F1值曲线可以帮助我们确定在不同精确率和召回率之间找到一个平衡点，以选择最佳的阈值。
绘制F1值曲线的步骤如下：
使用不同的阈值将预测概率转换为二进制类别标签。通常，当预测概率大于阈值时，样本被分类为正例，否则分类为负例。
对于每个阈值，计算相应的精确率、召回率和F1分数。
将每个阈值下的精确率、召回率和F1分数绘制在同一个图表上，形成F1值曲线。
根据F1值曲线的形状和变化趋势，可以选择适当的阈值以达到所需的性能要求。
F1值曲线通常与接收者操作特征曲线（ROC曲线）一起使用，以帮助评估和比较不同模型的性能。它们提供了更全面的分类器性能分析，可以根据具体应用场景来选择合适的模型和阈值设置。
整体对比分析来看：不难发现四款不同参数量级的模型最终没有拉开相对明显的差距，这里综合参数量考虑我们最终选定了s系列的模型来作为线上的推理计算模型。
接下来看下s系列模型的详细情况。
【离线推理实例】
【Batch实例】
【混淆矩阵】
【F1值曲线】
【Precision曲线】
【PR曲线】
【Recall曲线】
【训练可视化】
感兴趣的话也都可以自行实践下！
扫一扫
721
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
