专业网站建设科技公司_卖软件的平台_怎么做自己的网页_谷歌seo是指什么意思

你只需看一次：实时且通用的多任务模型

在这里插入图片描述

A-YOLOM 插图

在这里插入图片描述

贡献

轻量化集成模型：我们开发了一种轻量级模型，能够将三个任务整合到一个统一的模型中。这对于需要实时处理的多任务场景尤其有利。
自适应连接模块：特别为分割架构的颈部区域设计了新颖的自适应连接模块。此模块可以无需手动设计就能自动连接特征，进一步增强了模型的泛化能力。
简洁通用的分割头：设计了一个轻量、简单且通用的分割头。对于同一类型的头部任务，我们使用了统一的损失函数，这意味着无需为特定任务定制设计；它仅由一系列卷积层构成。
广泛实验：基于公开可用的自动驾驶数据集进行了大量实验，证明我们的模型在推理时间和可视化方面优于现有工作。此外，我们在真实道路数据集上也进行了测试，结果表明我们的模型显著优于目前最先进的方法。

结果

参数与速度

模型参数 (M) FPS (bs=1) FPS (bs=32)
YOLOP 7.9 26.0 134.8
HybridNet 12.83 11.7 26.9
YOLOv8n(det) 3.16 102 802.9
YOLOv8n(seg) 3.26 82.55 610.49
A-YOLOM(n) 4.43 39.9 172.2
A-YOLOM(s) 13.61 39.7 96.2
交通对象检测结果

模型召回率 (%) mAP50 (%)
MultiNet 81.3 60.2
DLT-Net 89.4 68.4
Faster R-CNN 81.2 64.9
YOLOv5s 86.8 77.2
YOLOv8n(det) 82.2 75.1
YOLOP 88.6 76.5
A-YOLOM(n) 85.3 78.0
A-YOLOM(s) 86.9 81.1
可行驶区域分割结果

模型 mIoU (%)
MultiNet 71.6
DLT-Net 72.1
PSPNet 89.6
YOLOv8n(seg) 78.1
YOLOP 91.6
A-YOLOM(n) 90.5
A-YOLOM(s) 91.0
车道线检测结果

模型准确度 (%) IoU (%)
ENet N/A 14.64
SCNN N/A 15.84
ENet-SAD N/A 16.02
YOLOv8n(seg) 80.5 22.9
YOLOP 84.8 26.5
A-YOLOM(n) 81.3 28.2
A-YOLOM(s) 84.9 28.8
消融研究 1: 自适应连接模块

训练方法召回率 (%) mAP50 (%) mIoU (%) 准确度 (%) IoU (%)
YOLOM(n) 85.2 77.7 90.6 80.8 26.7
A-YOLOM(n) 85.3 78.0 90.5 81.3 28.2
YOLOM(s) 86.9 81.1 90.9 83.9 28.2
A-YOLOM(s) 86.9 81.1 91.0 84.9 28.8
消融研究 2: 不同多任务模型和分割结构的结果

模型参数 mIoU (%) 准确度 (%) IoU (%)
YOLOv8(segda) 1,004,275 78.1 - -
YOLOv8(segll) 1,004,275 - 80.5 22.9
YOLOv8(multi) 2,008,550 84.2 81.7 24.3
YOLOM(n) 15,880 90.6 80.8 26.7

模型	参数 (M)	FPS (bs=1)	FPS (bs=32)
YOLOP	7.9	26.0	134.8
HybridNet	12.83	11.7	26.9
YOLOv8n(det)	3.16	102	802.9
YOLOv8n(seg)	3.26	82.55	610.49
A-YOLOM(n)	4.43	39.9	172.2
A-YOLOM(s)	13.61	39.7	96.2

模型	召回率 (%)	mAP50 (%)
MultiNet	81.3	60.2
DLT-Net	89.4	68.4
Faster R-CNN	81.2	64.9
YOLOv5s	86.8	77.2
YOLOv8n(det)	82.2	75.1
YOLOP	88.6	76.5
A-YOLOM(n)	85.3	78.0
A-YOLOM(s)	86.9	81.1

模型	mIoU (%)
MultiNet	71.6
DLT-Net	72.1
PSPNet	89.6
YOLOv8n(seg)	78.1
YOLOP	91.6
A-YOLOM(n)	90.5
A-YOLOM(s)	91.0

模型	准确度 (%)	IoU (%)
ENet	N/A	14.64
SCNN	N/A	15.84
ENet-SAD	N/A	16.02
YOLOv8n(seg)	80.5	22.9
YOLOP	84.8	26.5
A-YOLOM(n)	81.3	28.2
A-YOLOM(s)	84.9	28.8

训练方法	召回率 (%)	mAP50 (%)	mIoU (%)	准确度 (%)	IoU (%)
YOLOM(n)	85.2	77.7	90.6	80.8	26.7
A-YOLOM(n)	85.3	78.0	90.5	81.3	28.2
YOLOM(s)	86.9	81.1	90.9	83.9	28.2
A-YOLOM(s)	86.9	81.1	91.0	84.9	28.8

模型	参数	mIoU (%)	准确度 (%)	IoU (%)
YOLOv8(segda)	1,004,275	78.1	-	-
YOLOv8(segll)	1,004,275	-	80.5	22.9
YOLOv8(multi)	2,008,550	84.2	81.7	24.3
YOLOM(n)	15,880	90.6	80.8	26.7

注意事项

本工作中参考的工作包括 Multinet、DLT-Net、Faster R-CNN、YOLOv5s、PSPNet、ENet、SCNN、SAD-ENet、YOLOP、HybridNets 以及 YOLOv8。感谢他们的出色贡献。
在这里插入图片描述

可视化

实际道路

系统要求

Python 版本：3.7.16
PyTorch 版本：1.13.1
推荐 GPU：NVIDIA GeForce RTX 4090 或更高性能的 GPU
如果使用 NVIDIA GeForce GTX 1080 Ti，建议批量大小为 16。尽管训练时间会更长，但仍可行。

强烈建议创建纯净环境并遵循指示进行设置，以避免因 YOLOv8 自动检测环境包而可能引起的变量值变化问题。
在这里插入图片描述

数据准备及预训练模型

下载图像
预训练模型：A-YOLOM（包含两个版本，分别为 “n” 和 “s”）
下载检测标注
下载可行驶区域分割标注
下载车道线分割标注

推荐的数据集目录结构如下：

# 根据 id 表示对应关系
├─dataset root
│ ├─images
│ │ ├─train2017
│ │ ├─val2017
│ ├─detection-object
│ │ ├─labels
│ │ │ ├─train2017
│ │ │ ├─val2017
│ ├─seg-drivable-10
│ │ ├─labels
│ │ │ ├─train2017
│ │ │ ├─val2017
│ ├─seg-lane-11
│ │ ├─labels
│ │ │ ├─train2017
│ │ │ ├─val2017

更新您的数据集路径于 ./ultralytics/datasets/bdd-multi.yaml 文件中。

训练

设置训练配置文件 ./ultralytics/yolo/cfg/default.yaml
运行 python train.py 开始训练
可以根据需要修改 train.py 中的设置，如模型路径、数据路径、GPU 设备编号等

评估

设置评估配置文件 ./ultralytics/yolo/cfg/default.yaml
运行 python val.py 进行评估
修改 val.py 中的相关路径和设置

预测

运行 python predict.py 进行预测
修改 predict.py 中的源图像路径、设备选择、输出尺寸等参数

扩展性

代码易于扩展至任何多任务分割和检测任务，只需修改模型 YAML 和数据集 YAML 文件中的信息，并按照我们的标签格式创建您的数据集即可。请记住，在检测任务名称中保留“det”，在分割任务名称中保留“seg”。

当您更改检测任务类别数量时，请相应地调整 dataset.yaml 和 model.yaml 中的 “tnc” 值。“nc_list” 也需要更新，应与您的 “labels_list” 顺序相匹配。例如，如果您的 “labels_list” 包括检测对象、可行驶区域和车道线，则 “nc_list” 应设置为 [7,1,1]。

通过这些详细说明，您可以开始使用 YOLOv8 多任务模型进行自己的项目开发。希望这能帮助您快速启动并在多个计算机视觉任务上取得优异成绩。

最后

计算机视觉、图像处理、毕业辅导、作业帮助、代码获取，远程协助，代码定制，私聊会回复!