qq_41627642的博客

数字电离图是获取实时电离层信息的最重要方式。电离层结构检测对于准确提取电离层关键参数具有重要的研究意义。本研究利用中国科学院在海南、武汉和怀来获得的4311张不同季节的电离图建立数据集。使用labelme手动注释包括 Layer E、Es-l、Es-c、F1、F2 和 Spread F 在内的六个结构。数据集准备下载数据后，将其放在MMYOLO存储库的根目录下，并使用（for Linux）解压到当前文件夹。解压后的文件夹结构如下：unzip test.zipIono4311/

YOLOv8的核心特性和修改可以总结如下：提出了一种新的最先进（SOTA）模型，具有 P5 640 和 P6 1280 分辨率的对象检测模型，以及基于 YOLACT 的实例分割模型。该模型还包括与 YOLOv5 类似的 N/S/M/L/X 尺度的不同尺寸选项，以适应各种场景。主干网络和neck模块是基于YOLOv7 ELAN设计理念，用C2f模块替代YOLOv5的C3模块。然而，这个C2f模块中有很多诸如Split和Concat之类的操作不像以前那样部署友好。Head模块更新为目前主流的解耦结构，

对于目标检测中的非开放世界数据集，训练和测试都是在一组固定的类上进行的，当应用于未经训练的类的图像时，有可能产生误报。论文指出，Mosaic+MixUp 可以大幅提升目标检测性能，但训练图片与自然图片的真实分布相去甚远，而且 Mosaic 大量的裁剪操作会带来很多不准确的标签框，因此，YOLOX 提出将去掉最后15个epoch的强增强，改用较弱的增强，这样检测器就可以避免不准确标记框的影响，在自然图片的数据分布下完成最终的收敛。首先，海报上的人与真人非常相似，而且人群密集的地方确实存在难以标注的人。