去年十一那會(huì)無(wú)意間刷到一個(gè)視頻展示的就是德國(guó)機(jī)械收割機(jī)非常高效自動(dòng)化地24小時(shí)不間斷地在超廣闊的土地上采摘各種作物，專家設(shè)計(jì)出來(lái)了很多用于采摘不同農(nóng)作物的大型機(jī)械，看著非常震撼，但是我們國(guó)內(nèi)農(nóng)業(yè)的發(fā)展還是相對(duì)比較滯后的，小的時(shí)候拔草是一個(gè)人一列蹲在地里就在那埋頭拔草，不知道什么時(shí)候才能走到地的盡頭，小塊的分散的土地太多基本上都是只能人工手工來(lái)取收割，大點(diǎn)的連片的土地可以用收割機(jī)來(lái)收割，不過(guò)收割機(jī)基本都是用來(lái)收割小麥的，最近幾年好像老家也能看到用于收割玉米的機(jī)器了不過(guò)相對(duì)還是比較少的，玉米的收割我們基本上還是人工來(lái)收割的，不僅累效率還低遇上對(duì)玉米葉片過(guò)敏的就更要命了。。。。閑話就扯到這里了。

有時(shí)候經(jīng)常在想我們的農(nóng)業(yè)機(jī)械化自動(dòng)化什么時(shí)候能再向前邁進(jìn)一大步，回顧德國(guó)的工業(yè)機(jī)械，在視頻展示的效果中，其實(shí)很關(guān)鍵的主要是兩部分，一部分是機(jī)器視覺(jué)定位檢測(cè)識(shí)別，另一部分是機(jī)械臂傳動(dòng)軸，兩部分相互配合才能完成采摘工作，前文實(shí)踐如下：

《AI助力農(nóng)作物自動(dòng)采摘，基于YOLOv7【tiny/l/x】不同系列參數(shù)模型開(kāi)發(fā)構(gòu)建作物生產(chǎn)場(chǎng)景下番茄采摘檢測(cè)計(jì)數(shù)分析系統(tǒng)》

《AI助力農(nóng)作物自動(dòng)采摘，基于YOLOv8全系列【n/s/m/l/x】參數(shù)模型開(kāi)發(fā)構(gòu)建作物生產(chǎn)場(chǎng)景下番茄采摘檢測(cè)計(jì)數(shù)分析系統(tǒng)》

《AI助力農(nóng)作物自動(dòng)采摘，基于YOLOv5全系列【n/s/m/l/x】參數(shù)模型開(kāi)發(fā)構(gòu)建作物生產(chǎn)場(chǎng)景下番茄采摘檢測(cè)計(jì)數(shù)分析系統(tǒng)》

《AI助力農(nóng)作物自動(dòng)采摘，基于YOLOv3全系列【yolov3tiny/yolov3/yolov3spp】參數(shù)模型開(kāi)發(fā)構(gòu)建作物生產(chǎn)場(chǎng)景下番茄采摘檢測(cè)計(jì)數(shù)分析系統(tǒng)》

《AI助力農(nóng)作物自動(dòng)采摘，基于YOLOv8全系列【n/s/m/l/x】參數(shù)模型開(kāi)發(fā)構(gòu)建作物番茄采摘場(chǎng)景下番茄成熟度檢測(cè)識(shí)別分析系統(tǒng)》

《AI助力農(nóng)作物自動(dòng)采摘，基于YOLOv7【tiny/l/x】不同系列參數(shù)模型開(kāi)發(fā)構(gòu)建作物番茄采摘場(chǎng)景下番茄成熟度檢測(cè)識(shí)別分析系統(tǒng)》

《AI助力農(nóng)作物自動(dòng)采摘，基于DETR(DEtection TRansformer)開(kāi)發(fā)構(gòu)建作物生產(chǎn)場(chǎng)景下番茄采摘檢測(cè)計(jì)數(shù)分析系統(tǒng)》

《AI助力農(nóng)作物自動(dòng)采摘，基于DETR(DEtection TRansformer)開(kāi)發(fā)構(gòu)建番茄采摘場(chǎng)景下番茄成熟度檢測(cè)識(shí)別計(jì)數(shù)分析系統(tǒng)》

本文的主要想法是想要基于YOLOv5全系列的不同參數(shù)量級(jí)的模型來(lái)開(kāi)發(fā)構(gòu)建用于番茄采摘場(chǎng)景下的番茄作物成熟度檢測(cè)識(shí)別系統(tǒng)，首先看下實(shí)例效果：

本文是選擇的是YOLOv5算法模型來(lái)完成本文項(xiàng)目的開(kāi)發(fā)構(gòu)建。相較于前兩代的算法模型，YOLOv5可謂是集大成者，達(dá)到了SOTA的水平，下面簡(jiǎn)單對(duì)v3-v5系列模型的演變進(jìn)行簡(jiǎn)單介紹總結(jié)方便對(duì)比分析學(xué)習(xí):
【YOLOv3】
YOLOv3（You Only Look Once version 3）是一種基于深度學(xué)習(xí)的快速目標(biāo)檢測(cè)算法，由Joseph Redmon等人于2018年提出。它的核心技術(shù)原理和亮點(diǎn)如下：
技術(shù)原理：
YOLOv3采用單個(gè)神經(jīng)網(wǎng)絡(luò)模型來(lái)完成目標(biāo)檢測(cè)任務(wù)。與傳統(tǒng)的目標(biāo)檢測(cè)方法不同，YOLOv3將目標(biāo)檢測(cè)問(wèn)題轉(zhuǎn)化為一個(gè)回歸問(wèn)題，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)輸出圖像中存在的目標(biāo)的邊界框坐標(biāo)和類別概率。
YOLOv3使用Darknet-53作為骨干網(wǎng)絡(luò)，用來(lái)提取圖像特征。檢測(cè)頭（detection head）負(fù)責(zé)將提取的特征映射到目標(biāo)邊界框和類別預(yù)測(cè)。
亮點(diǎn)：
YOLOv3在保持較高的檢測(cè)精度的同時(shí)，能夠?qū)崿F(xiàn)非?？斓臋z測(cè)速度。相較于一些基于候選區(qū)域的目標(biāo)檢測(cè)算法（如Faster R-CNN、SSD等），YOLOv3具有更高的實(shí)時(shí)性能。
YOLOv3對(duì)小目標(biāo)和密集目標(biāo)的檢測(cè)效果較好，同時(shí)在大目標(biāo)的檢測(cè)精度上也有不錯(cuò)的表現(xiàn)。
YOLOv3具有較好的通用性和適應(yīng)性，適用于各種目標(biāo)檢測(cè)任務(wù)，包括車輛檢測(cè)、行人檢測(cè)等。
【YOLOv4】
YOLOv4是一種實(shí)時(shí)目標(biāo)檢測(cè)模型，它在速度和準(zhǔn)確度上都有顯著的提高。相比于其前一代模型YOLOv3，YOLOv4在保持較高的檢測(cè)精度的同時(shí)，還提高了檢測(cè)速度。這主要得益于其采用的CSPDarknet53網(wǎng)絡(luò)結(jié)構(gòu)，主要有三個(gè)方面的優(yōu)點(diǎn)：增強(qiáng)CNN的學(xué)習(xí)能力，使得在輕量化的同時(shí)保持準(zhǔn)確性；降低計(jì)算瓶頸；降低內(nèi)存成本。YOLOv4的目標(biāo)檢測(cè)策略采用的是“分而治之”的策略，將一張圖片平均分成7×7個(gè)網(wǎng)格，每個(gè)網(wǎng)格分別負(fù)責(zé)預(yù)測(cè)中心點(diǎn)落在該網(wǎng)格內(nèi)的目標(biāo)。這種方法不需要額外再設(shè)計(jì)一個(gè)區(qū)域提議網(wǎng)絡(luò)（RPN），從而減少了訓(xùn)練的負(fù)擔(dān)。然而，盡管YOLOv4在許多方面都表現(xiàn)出色，但它仍然存在一些不足。例如，小目標(biāo)檢測(cè)效果較差。此外，當(dāng)需要在資源受限的設(shè)備上部署像YOLOv4這樣的大模型時(shí)，模型壓縮是研究人員重新調(diào)整較大模型所需資源消耗的有用工具。
優(yōu)點(diǎn)：
速度：YOLOv4 保持了 YOLO 算法一貫的實(shí)時(shí)性，能夠在檢測(cè)速度和精度之間實(shí)現(xiàn)良好的平衡。
精度：YOLOv4 采用了 CSPDarknet 和 PANet 兩種先進(jìn)的技術(shù)，提高了檢測(cè)精度，特別是在檢測(cè)小型物體方面有顯著提升。
通用性：YOLOv4 適用于多種任務(wù)，如行人檢測(cè)、車輛檢測(cè)、人臉檢測(cè)等，具有較高的通用性。
模塊化設(shè)計(jì)：YOLOv4 中的組件可以方便地更換和擴(kuò)展，便于進(jìn)一步優(yōu)化和適應(yīng)不同場(chǎng)景。
缺點(diǎn)：
內(nèi)存占用：YOLOv4 模型參數(shù)較多，因此需要較大的內(nèi)存來(lái)存儲(chǔ)和運(yùn)行模型，這對(duì)于部分硬件設(shè)備來(lái)說(shuō)可能是一個(gè)限制因素。
訓(xùn)練成本：YOLOv4 模型需要大量的訓(xùn)練數(shù)據(jù)和計(jì)算資源才能達(dá)到理想的性能，這可能導(dǎo)致訓(xùn)練成本較高。
精確度與速度的權(quán)衡：雖然 YOLOv4 在速度和精度之間取得了較好的平衡，但在極端情況下，例如檢測(cè)高速移動(dòng)的物體或復(fù)雜背景下的物體時(shí)，性能可能會(huì)受到影響。
誤檢和漏檢：由于 YOLOv4 采用單一網(wǎng)絡(luò)對(duì)整個(gè)圖像進(jìn)行預(yù)測(cè)，可能會(huì)導(dǎo)致一些誤檢和漏檢現(xiàn)象。

【YOLOv5】
YOLOv5是一種快速、準(zhǔn)確的目標(biāo)檢測(cè)模型，由Glen Darby于2020年提出。相較于前兩代模型，YOLOv5集成了眾多的tricks達(dá)到了性能的SOTA：
技術(shù)原理：
YOLOv5同樣采用單個(gè)神經(jīng)網(wǎng)絡(luò)模型來(lái)完成目標(biāo)檢測(cè)任務(wù)，但采用了新的神經(jīng)網(wǎng)絡(luò)架構(gòu)，融合了領(lǐng)先的輕量級(jí)模型設(shè)計(jì)理念。YOLOv5使用較小的骨干網(wǎng)絡(luò)和新的檢測(cè)頭設(shè)計(jì)，以實(shí)現(xiàn)更快的推斷速度，并在不降低精度的前提下提高目標(biāo)檢測(cè)的準(zhǔn)確性。
亮點(diǎn)：
YOLOv5在模型結(jié)構(gòu)上進(jìn)行了改進(jìn)，引入了更先進(jìn)的輕量級(jí)網(wǎng)絡(luò)架構(gòu)，因此在速度和精度上都有所提升。
YOLOv5支持更靈活的模型大小和預(yù)訓(xùn)練選項(xiàng)，可以根據(jù)任務(wù)需求選擇不同大小的模型，同時(shí)提供豐富的數(shù)據(jù)增強(qiáng)擴(kuò)展、模型集成等方法來(lái)提高檢測(cè)精度。YOLOv5通過(guò)使用更簡(jiǎn)潔的代碼實(shí)現(xiàn)，提高了模型的易用性和可擴(kuò)展性。

訓(xùn)練數(shù)據(jù)配置文件如下：

# Dataset
path: ./dataset
train:
  - images/train
val:
  - images/test
test:
  - images/test

# Classes
names:
  0: unripe
  1: sem-ripe
  2: fullyripe

實(shí)驗(yàn)截止目前，本文將YOLOv5系列五款不同參數(shù)量級(jí)的模型均進(jìn)行了開(kāi)發(fā)評(píng)測(cè)，接下來(lái)看下模型詳情：

# Ultralytics YOLO ??, AGPL-3.0 license
# YOLOv5 object detection model with P3-P5 outputs. For details see https://docs.ultralytics.com/models/yolov5
 
# Parameters
nc: 3  # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov5n.yaml' will call yolov5.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.33, 0.25, 1024]
  s: [0.33, 0.50, 1024]
  m: [0.67, 0.75, 1024]
  l: [1.00, 1.00, 1024]
  x: [1.33, 1.25, 1024]
 
# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]
 
# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13
 
   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)
 
   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)
 
   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)
 
   [[17, 20, 23], 1, Detect, [nc]],  # Detect(P3, P4, P5)
  ]

在實(shí)驗(yàn)訓(xùn)練開(kāi)發(fā)階段，所有的模型均保持完全相同的參數(shù)設(shè)置，等待訓(xùn)練完成后，來(lái)整體進(jìn)行評(píng)測(cè)對(duì)比分析。

【F1值曲線】
F1值曲線是一種用于評(píng)估二分類模型在不同閾值下的性能的可視化工具。它通過(guò)繪制不同閾值下的精確率（Precision）、召回率（Recall）和F1分?jǐn)?shù)的關(guān)系圖來(lái)幫助我們理解模型的整體性能.F1分?jǐn)?shù)是精確率和召回率的調(diào)和平均值，它綜合考慮了兩者的性能指標(biāo)。F1值曲線可以幫助我們確定在不同精確率和召回率之間找到一個(gè)平衡點(diǎn)，以選擇最佳的閾值。

【loss曲線】

【Precision曲線】
精確率曲線（Precision-Recall Curve）是一種用于評(píng)估二分類模型在不同閾值下的精確率性能的可視化工具。它通過(guò)繪制不同閾值下的精確率和召回率之間的關(guān)系圖來(lái)幫助我們了解模型在不同閾值下的表現(xiàn)。精確率（Precision）是指被正確預(yù)測(cè)為正例的樣本數(shù)占所有預(yù)測(cè)為正例的樣本數(shù)的比例。召回率（Recall）是指被正確預(yù)測(cè)為正例的樣本數(shù)占所有實(shí)際為正例的樣本數(shù)的比例。

【Recall曲線】
召回率曲線（Recall Curve）是一種用于評(píng)估二分類模型在不同閾值下的召回率性能的可視化工具。它通過(guò)繪制不同閾值下的召回率和對(duì)應(yīng)的精確率之間的關(guān)系圖來(lái)幫助我們了解模型在不同閾值下的表現(xiàn)。召回率（Recall）是指被正確預(yù)測(cè)為正例的樣本數(shù)占所有實(shí)際為正例的樣本數(shù)的比例。召回率也被稱為靈敏度（Sensitivity）或真正例率（True Positive Rate）。

從整體實(shí)驗(yàn)結(jié)果對(duì)比來(lái)看：n系列的模型效果最差，被其他幾款模型拉開(kāi)了明顯的差距，s系列的模型在60個(gè)epoch之前同樣被拉開(kāi)了明顯的差距，隨后達(dá)到了與其他幾款模型相近的水準(zhǔn)，m和l系列的模型性能相近，x系列的模型最優(yōu)，略高于m和l系列的模型，考慮到計(jì)算量的問(wèn)題，這里我們最終選擇使用m系列的模型來(lái)作為最終的推理模型。

接下來(lái)就以m系列的模型為基準(zhǔn)，詳細(xì)看下結(jié)果詳情：

【Batch實(shí)例】

【數(shù)據(jù)分布可視化】

【PR曲線】

【訓(xùn)練可視化】

【混淆矩陣】

感興趣的話都可以自行動(dòng)手嘗試下！

如果自己不具備開(kāi)發(fā)訓(xùn)練的資源條件或者是沒(méi)有時(shí)間自己去訓(xùn)練的話這里我提供出來(lái)對(duì)應(yīng)的訓(xùn)練結(jié)果可供自行按需索取。

單個(gè)模型的訓(xùn)練結(jié)果默認(rèn)YOLOv5s

全系列五個(gè)模型的訓(xùn)練結(jié)果總集文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-828489.html

到了這里，關(guān)于AI助力農(nóng)作物自動(dòng)采摘，基于YOLOv5全系列【n/s/m/l/x】參數(shù)模型開(kāi)發(fā)構(gòu)建作番茄采摘場(chǎng)景下番茄成熟度檢測(cè)識(shí)別計(jì)數(shù)分析系統(tǒng)的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！