基于YOLOv8的工业油污缺陷检测，多种优化方法---自研新型轻量级的实时检测算法（四）

💡💡💡本文主要内容:详细介绍了工业油污缺陷检测整个过程，从数据集到训练模型到结果可视化分析，以及如何优化提升检测性能。

💡💡💡加入自研新型轻量级的实时检测算法 mAP@0.5由原始的0.648提升至0.699

1.工业油污数据集介绍

三星油污缺陷类别：头发丝和小黑点，["TFS","XZW"]

数据集大小：660张

数据集地址：https://download.csdn.net/download/m0_63774211/87741209

2.基于YOLOv8的工业油污检测

2.1 修改sanxing.yaml

path: ./data/sanxing  # dataset root dir
train: trainval.txt  # train images (relative to 'path') 118287 images
val: test.txt  # val images (relative to 'path') 5000 images

# number of classes
nc: 2

# class names
names:
  0: TFS
  1: XZW

2.2 开启训练

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('ultralytics/cfg/models/v8/yolov8.yaml')
    model.train(data='data/sanxing/sanxing.yaml',
                cache=False,
                imgsz=640,
                epochs=200,
                batch=16,
                close_mosaic=10,
                workers=0,
                device='0',
                optimizer='SGD', # using SGD
                project='runs/train',
                name='exp',
                )

3.结果可视化分析

YOLOv8 summary (fused): 168 layers, 3006038 parameters, 0 gradients, 8.1 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 3/3 [00:03<00:00,  1.30s/it]
                   all         66        187      0.741      0.554      0.648      0.302
                   TFS         66        130      0.604      0.423      0.531      0.242
                   XZW         66         57      0.877      0.684      0.766      0.361

F1_curve.png：F1分数与置信度（x轴）之间的关系。F1分数是分类的一个衡量标准，是精确率和召回率的调和平均函数，介于0，1之间。越大越好。

TP：真实为真，预测为真；

FN：真实为真，预测为假；

FP：真实为假，预测为真；

TN：真实为假，预测为假；

精确率（precision）=TP/(TP+FP)

召回率(Recall)=TP/(TP+FN)

F1=2*（精确率*召回率）/（精确率+召回率）

PR_curve.png ：PR曲线中的P代表的是precision（精准率），R代表的是recall（召回率），其代表的是精准率与召回率的关系。

R_curve.png ：召回率与置信度之间关系

results.png

mAP_0.5:0.95表示从0.5到0.95以0.05的步长上的平均mAP.

预测结果：

4.如何优化模型

YOLOV8原创改进：一种新型轻量级实时检测算法 | 适用场景：低照度场景，如雾天行人车辆等-CSDN博客

💡💡💡本文独家改进：本文提出了一种新型轻量级的实时监测算法，通过MobileViT魔改整个backbone，最后提出两个改进版本，YOLOv8_MobileViT和YOLOv8_MobileViT-p2两个版本

💡💡💡YOLOv8s进行对比，GFLOPs从原始的28.6降低至17.3和21.4

	layers	parameters	GFLOPs	kb
yolov8s	225	11135971	28.6	87459
YOLOv8_MobileViT	447	4399732	17.3	34968
YOLOv8_MobileViT-p2	499	4314869	21.4	34489

4.2 实验结果分析

mAP@0.5由原始的0.648提升至0.699

YOLOv8_MobileViT-p2 summary: 499 layers, 4314793 parameters, 0 gradients, 21.4 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 3/3 [00:04<00:00,  1.59s/it]
                   all         66        187      0.727      0.615      0.699      0.346
                   TFS         66        130      0.519      0.473        0.5      0.232
                   XZW         66         57      0.935      0.758      0.898      0.459