基于yolov9的路面裂缝检测数据集训练模型对比

蛙2341099999

已于 2025-05-01 00:29:13 修改

阅读量929

点赞数 21

文章标签： YOLO 深度学习人工智能目标检测视觉检测计算机视觉机器学习

于 2024-11-11 14:12:17 首次发布

本文链接：https://blog.youkuaiyun.com/qq_30231593/article/details/143679857

版权

YOLOv10请移步
基于yolov10的路面裂缝检测数据集训练模型对比
YOLOv11请移步
基于yolov11的路面裂缝检测数据集训练模型对比

1.引言

YOLO(You Only Look Once)是一种流行的实时目标检测系统，以其快速准确的性能在众多应用领域中发挥着重要作用，如自动驾驶、视频监控和工业自动化。YOLO将目标检测视为回归问题，直接预测图像中的边界框和类别概率，实现端到端的训练，从而在保持高检测速度的同时达到满意的准确性^[2-4]。随着技术的不断进步，YOLO系列经历了多个版本的迭代，每个新版本都在速度、准确性和计算效率上进行了优化和改进^[1,4]。

2.YOLOv9概述

由于根据信息瓶颈原理，数据在经过转换时可能会引起信息损失,故导致网络在训练中使用信息（得到的输入信息）是不完整的，从而导致梯度不可靠，收敛性差。为解决深度神经网络存在收敛速度慢或收敛结果差的问题，YOLOv9以设计各种规范化和激活函数为前提，提出可编程梯度信息(Programmable Gradient Information，PGI)的新辅助监督框架。其包括主分支、辅助可逆分支、多级辅助信息三个部分^[5-6]。

3.实验设计

本文将对比YOLOv9中YOLOv9-c与YOLOv9-e两个参数模型在同一数据集与同样轮数下的性能表现。
选择的数据集为河北工业大学开源，发表在Data in Brief期刊中的UAV-PDD2023数据集，其用于道路破损检测^[7-8]。数据集包含2440张三通道JPG格式图像，以及对应的VOC格式标注文件，图像规格为2592×1944，图像中标记了六种类型。

表1 模型训练参数

	YOLOv9-c	YOLOv9-e
训练轮数(epochs)	300	300
超参数(hyp)	YOLOv9 default	YOLOv9 default
权重模型	无	YOLOv9-e-converted.pt
模型大小	98MB	133MB

4.实验结果

1.yolov9-c的混淆矩阵

yolov9-c

2.yolov9-e的混淆矩阵

yolov9-e

3.yolov9-c的F1值曲线

4.yolov9-e的F1值曲线

yolov9-e

5.yolov9-c的Precision曲线

yolov9-C

6.yolov9-e的Precision曲线

yolov9-e

7.yolov9-c的PR曲线

yolov9-C

8.yolov9-e的PR曲线

yolov9-e

9.yolov9-c的Recall曲线

yolov9-C

10.yolov9-e的Recall曲线

yolov9-e

11.yolov9-c的标定参数可视化图

12.yolov9-e的标定参数可视化图

13.yolov9-c的训练参数可视化图

请添加图片描述

14.yolov9-e的训练参数可视化图

请添加图片描述
参考文献：
[1]Juan R. Terven, Diana M. Cordova-Esparza. A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS [J/OL]. (2024-01-07) [2024-11-06]. https://arxiv.org/html/2304.00501v6.
[2]【全面认知YOLO系列】引言部分：YOLO系列模型概述[EB/OL]. (2024-07-03) [2024-11-06]. https://blog.youkuaiyun.com/wcl291121957/article/details/137452402.
[3]极速目标追踪：YOLO（You Only Look Once）算法全解析[EB/OL]. (2024-06-28) [2024-11-06]. https://blog.youkuaiyun.com/2401_85760095/article/details/140055036.
[4]必读综述！YOLO十年之约：从起源到YOLOv10[EB/OL]. (2024-07-18) [2024-11-06]. https://www.bilibili.com/read/cv36183194/.
[5]Chien-Yao Wang, I-Hau Yeh, Hong-Yuan Mark Liao. YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information[J/OL]. (2024-02-21) [2024-11-08]. https://arxiv.org/abs/2402.13616.
[6]【YOLO系列】YOLOv9论文超详细解读（翻译＋学习笔记）[EB/OL]. (2024-06-03)[2024-11-08].https://jrs0511.blog.youkuaiyun.com/article/details/136383022?spm=1001.2014.3001.5502.
[7]Haohui Y ,Junfei Z .UAV-PDD2023: A benchmark dataset for pavement distress detection based on UAV images[J].Data in Brief,2023,51109692-109692.
[8]【开源数据集】无人机道路破损检测数据集UAV-PDD2023[EB/OL]. (2024-07-04)[2024-11-08].https://blog.youkuaiyun.com/hzg19930513/article/details/140178467.