H20Saver

项目简介

本项目旨在实现一个高效的溺水目标检测系统，基于 YOLO11x 模型进行微调。项目包含数据集分析、模型训练、评估和部署的完整流程，适用于溺水检测相关的研究和实际应用。

模型检测效果

以下是模型在验证集上的检测效果展示：

图中展示了模型对验证集图像的预测结果，包括对“溺水”、“游泳”和“离开水域”类别的检测。模型能够准确识别并定位目标，体现了良好的检测性能。

文件结构

H20Saver/
├── LICENSE
├── requirements.txt
├── results
│   ├── data_analysis.out
│   │   ├── bbox_analysis.png
│   │   ├── bbox_boxplot.png
│   │   ├── bbox_heatmap.png
│   │   ├── class_distribution.png
│   │   ├── class_distribution_pie.png
│   │   ├── class_imbalance.png
│   │   └── data_quality_report.txt
│   └── training
│       ├── F1_curve.png
│       ├── PR_curve.png
│       ├── P_curve.png
│       ├── R_curve.png
│       ├── args.yaml
│       ├── confusion_matrix.png
│       ├── confusion_matrix_normalized.png
│       ├── evaluation_values.txt
│       ├── labels.jpg
│       ├── labels_correlogram.jpg
│       ├── results.png
│       ├── train_batch0.jpg
│       ├── train_batch1.jpg
│       ├── train_batch2.jpg
│       ├── train_batch46260.jpg
│       ├── train_batch46261.jpg
│       ├── train_batch46262.jpg
│       ├── training_logs.csv
│       ├── val_batch0_labels.jpg
│       ├── val_batch0_pred.jpg
│       ├── val_batch1_labels.jpg
│       ├── val_batch1_pred.jpg
│       ├── val_batch2_labels.jpg
│       └── val_batch2_pred.jpg
├── setup.py
└── src
    ├── data_analysis.py
    ├── model_evaluation.py
    └── train.py

数据集概述

数据集统计

• 总图像数量：14111
• 有效标注图像：14111
• 缺失标注文件：0 (0.0%)
• 损坏/不可读图像：0 (0.0%)
• 无效标注行数：0

数据集整体质量较高，所有图像均有效且标注完整，无缺失或损坏情况。

类别分布

• Drowning：41.4%
• Swimming：38.1%
• Out of Water：20.5%

类别分布存在一定的不均衡，可能需要在模型训练时进行数据增强或采样策略调整。

样本数量

• Drowning：约 12000 样本
• Swimming：约 10000 样本
• Out of Water：约 5500 样本

"Out of Water" 类别的样本数量较少，可能影响模型对该类别的识别性能。

标注框尺寸分析

• 宽度和高度主要集中在 0.2 到 0.6 的归一化范围内。
• 标注框中心点分布较为均匀，无明显偏移。
• 宽度和高度的中位数均接近 0.4，分布较为集中。
• 存在少量异常值，可能为标注误差或特殊场景。

模型训练

训练配置

• 数据参数：
  • 数据集路径：dataset/data.yaml
  • 图像尺寸：640
  • 批量大小：23
  • 训练轮数：100
• 数据增强：
  • HSV 调整、平移、缩放、翻转、Mosaic 和 Mixup 等。
• 优化参数：
  • 初始学习率：0.001
  • 最终学习率：0.01
  • 动量：0.937
  • 权重衰减：0.0005
• 类别平衡：
  • 自动计算类别权重
  • 启用焦点损失
• 模型参数：
  • 预训练模型：yolo11x.pt
  • 冻结层：backbone 和 head
  • 多尺度训练

训练过程

训练过程中，模型的损失函数和评估指标如下：

• 训练损失：

  • train/box_loss：边界框回归损失
  • train/cls_loss：分类损失
  • train/dfl_loss：分布式焦点损失

• 验证损失：

  • val/box_loss：边界框回归损失
  • val/cls_loss：分类损失
  • val/dfl_loss：分布式焦点损失

• 评估指标：

  • metrics/precision(B)：精确率
  • metrics/recall(B)：召回率
  • metrics/mAP50(B)：平均精度（IoU=0.5）
  • metrics/mAP50-95(B)：平均精度（IoU=0.5:0.95）

训练结果

• 最终模型：

  • best.pt：最佳模型权重
  • last.pt：最新模型权重

• 评估结果：

  • evaluation_values.txt：包含 mAP、精确率、召回率等指标

模型评估

F1-Confidence 曲线

F1-Confidence 曲线展示了不同置信度阈值下的 F1 分数变化。drowning 类别的 F1 分数在高置信度下表现最佳。

Recall-Confidence 曲线

Recall-Confidence 曲线展示了不同置信度阈值下的召回率变化。drowning 类别的召回率在低置信度下表现较高。

Precision-Recall 曲线

Precision-Recall 曲线展示了不同召回率下的精确率变化。drowning 类别的精确率在高召回率下表现最佳。

Precision-Confidence 曲线

Precision-Confidence 曲线展示了不同置信度阈值下的精确率变化。drowning 类别的精确率在高置信度下表现最佳。

评估指标说明

以下是模型在验证集上的评估结果：

Class	Images	Instances	Box(P)	Box(R)	mAP50	mAP50-95
all	1503	2998	0.843	0.729	0.766	0.493
drowning	1113	1406	0.874	0.876	0.924	0.634
out of water	119	351	0.838	0.464	0.537	0.324
swimming	577	1241	0.817	0.845	0.838	0.522

• Images：验证集中的图像数量。
• Instances：验证集中的目标实例数量。
• Box(P)：边界框的精确率（Precision）。
• Box(R)：边界框的召回率（Recall）。
• mAP50：平均精度（Mean Average Precision）在 IoU=0.5 时的值。
• mAP50-95：平均精度在 IoU=0.5 到 0.95 时的值。

评估结果分析

• 总体表现：

  • 模型在验证集上的总体表现良好，mAP50 为 0.766，mAP50-95 为 0.493。
  • 边界框的精确率（P）为 0.843，召回率（R）为 0.729，表明模型在检测目标时具有较高的准确性和召回能力。

• 类别表现：

  • Drowning：
    • 精确率（P）：0.874
    • 召回率（R）：0.876
    • mAP50：0.924
    • mAP50-95：0.634
    • 分析：模型在“溺水”类别上的表现非常出色，精确率和召回率均较高，表明模型能够准确识别和定位溺水目标。
  • Out of Water：
    • 精确率（P）：0.838
    • 召回率（R）：0.464
    • mAP50：0.537
    • mAP50-95：0.324
    • 分析：模型在“离开水域”类别上的召回率较低，可能由于该类别的样本数量较少，导致模型对该类别的识别能力较弱。
  • Swimming：
    • 精确率（P）：0.817
    • 召回率（R）：0.845
    • mAP50：0.838
    • mAP50-95：0.522
    • 分析：模型在“游泳”类别上的表现良好，精确率和召回率均较高，表明模型能够准确识别和定位游泳目标。

验证结果

• 总体验证结果：
  • mAP@0.5：0.77
  • mAP@0.5:0.95：0.49

这些结果表明模型在不同 IoU 阈值下的平均精度表现良好，特别是在 IoU=0.5 时的 mAP 较高，说明模型在检测目标时具有较高的准确性。

训练日志

training_logs.csv 文件记录了每个训练轮次的详细信息，包括时间、损失值、学习率等。

模型部署

导出模型

训练完成后，模型可以导出为 ONNX 格式，便于在不同平台上部署：

model.export(format='onnx', imgsz=config.img_size)

验证结果

metrics = model.val()
print(f"验证结果: mAP@0.5={metrics.box.map:.2f}, mAP@0.5:0.95={metrics.box.map50:.2f}")

改进建议

• 数据增强：针对 "Out of Water" 类别样本较少的问题，可以采用数据增强技术（如旋转、缩放、镜像等）或过采样方法来平衡类别分布。
• 标注框尺寸优化：对于标注框尺寸异常值，建议检查标注质量，修正可能的标注误差。
• 模型训练策略：在模型训练时，建议采用加权损失函数或焦点损失来缓解类别不均衡问题。针对标注框尺寸分布，可设计多尺度检测模型，提升对小目标和大目标的检测性能。

依赖安装

安装项目所需的依赖库：

pip install -r requirements.txt

模型权重文件

模型权重文件下载:

git clone https://huggingface.co/EsonH/best.pt

联系方式

如有任何问题或建议，请联系作者：Eason Huang (easonhuangjz@outlook.com)