基于YOLOv8的交通摄像头下车辆检测算法（一）-灵析社区

带你学习YOLOv8，从入门到创新，轻轻松松搞定科研；

1.交通摄像头车辆检测数据集介绍

数据集来源：极市开发者平台-计算机视觉算法开发落地平台-极市科技

数据集类别“car"，训练集验证集测试集分别5248，582，291张

下图可以看出都是车辆数据集具有不同尺寸的目标物体，既有大目标又有小目标

1.1 小目标检测难点

本文所指的小目标是指COCO中定义的像素面积小于32*32 pixels的物体。小目标检测的核心难点有三个：

由本身定义导致的rgb信息过少，因而包含的判别性特征特征过少。

数据集方面的不平衡。这主要针对COCO而言，COCO中只有51.82%的图片包含小物体，存在严重的图像级不平衡。具体的统计结果见下图。

系。

2.YOLOv8介绍

改进点：

Backbone：使用的依旧是CSP的思想，不过YOLOv5中的C3模块被替换成了C2f模块，实现了进一步的轻量化，同时YOLOv8依旧使用了YOLOv5等架构中使用的SPPF模块；

PAN-FPN：毫无疑问YOLOv8依旧使用了PAN的思想，不过通过对比YOLOv5与YOLOv8的结构图可以看到，YOLOv8将YOLOv5中PAN-FPN上采样阶段中的卷积结构删除了，同时也将C3模块替换为了C2f模块；

Decoupled-Head：是不是嗅到了不一样的味道？是的YOLOv8走向了Decoupled-Head；

YOLOv8抛弃了以往的Anchor-Base，使用了Anchor-Free的思想；

损失函数：YOLOv8使用VFL Loss作为分类损失，使用DFL Loss+CIOU Loss作为分类损失；

样本匹配：YOLOv8抛弃了以往的IOU匹配或者单边比例的分配方式，而是使用了Task-Aligned Assigner匹配方式。

2.1 C2f模块介绍

C2f模块就是参考了C3模块以及ELAN的思想进行的设计，让YOLOv8可以在保证轻量化的同时获得更加丰富的梯度流信息。

代码：

class C2f(nn.Module):
    # CSP Bottleneck with 2 convolutions
    def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5):  # ch_in, ch_out, number, shortcut, groups, expansion
        super().__init__()
        self.c = int(c2 * e)  # hidden channels
        self.cv1 = Conv(c1, 2 * self.c, 1, 1)
        self.cv2 = Conv((2 + n) * self.c, c2, 1)  # optional act=FReLU(c2)
        self.m = nn.ModuleList(Bottleneck(self.c, self.c, shortcut, g, k=((3, 3), (3, 3)), e=1.0) for _ in range(n))
 
    def forward(self, x):
        y = list(self.cv1(x).split((self.c, self.c), 1))
        y.extend(m(y[-1]) for m in self.m)
        return self.cv2(torch.cat(y, 1))

3.训练可视化分析

YOLOv8 summary (fused): 168 layers, 3005843 parameters, 0 gradients, 8.1 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 10/10 [00:18<00:00,  1.90s/it]
                   all        582       6970      0.816      0.676      0.745      0.385

训练结果如下：

P_curve.png

表示准确率与置信度的关系图线，横坐标置信度。

由下图可以看出置信度越高，准确率越高。

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，具体参照 P_curve。

results.png

（1，1），（2，1）：该图分别表示训练时和验证时ClOU损失函数的均值，越小方框越准。

（1，2），（2，2）：推测为目标检测loss均值，越小目标越准。

（2，4），（2，5）：表示在不同IoU阈值时计算每一类中所有图片的AP然后所有类别求取均值。

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