YOLOv8『小目标』检测指南

前言

目前博主课题组在进行物体部件的异常检测项目，项目中需要先使用 YOLOv8 进行目标检测，然后进行图像切割，最后采用 WinCLIP 模型 进行部件异常检测

但是在实际操作过程中出现问题， YOLOv8 模型目标检测在大目标精确度不错，但是在小目标检测中效果极差

我们之前的解决方案是扩大异常部件的目标检测范围，易于检测。但是缺点是会增大异常检测的识别难度，需要对异常检测模型进行处理，暂时放弃

因此我们着重将目标放在如何修改 YOLOv8 ，使其具有处理小目标的能力，这是本文的重点内容

博主刚刚接触这方面的知识，如有缺漏还望各位指出

这里列出 YOLO discard 官网，如果有问题可以直接在里面提问：https://discord.gg/zSq8rtW

处理方案

降低版本

首先我们知道较新的版本不一定在所有方面都更好，如果可以的话可以降低版本至 YOLOv7、YOLOv5 等，他们的解决方案可能会相对多些。没有降低版本的打算可以继续向下看

替代方案

YOLOv8 官网关于小物体检测的 issues：Small object under 15px detection · Issue #981 · ultralytics/ultralytics (github.com)

首先我们知道 YOLO 是基于COCO数据集的，该数据集几乎没有小物体，所有不是很适配小目标，我们可以展示一些负面数据，或是关闭增强来适配小目标，但是效果不会很好（参考 issue）

所以我们可以使用其他算法、模型来专门处理小物体检测，下面是一些可选的模型和算法

SAHI 算法：obss/sahi: Framework agnostic sliced/tiled inference + interactive ui + error analysis plots (github.com)

Detectron2 平台：facebookresearch/detectron2: Detectron2 is a platform for object detection, segmentation and other visual recognition tasks. (github.com)

YOLOv8 变体

YOLOv8-P2 是 YOLOv8 型号的变体，旨在提高检测小物体的性能。与原始 YOLOv8 模型相比，它包括额外的特征金字塔级别，这使其能够更准确地检测和定位较小的对象。

我们可以使用如下代码来指定 YOLOv8-P2 模型

Python 脚本

model = YOLO('yolov8s-p2.yaml').load('yolov8s.pt')
1

Yolo 命令行

yolo train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640
1

上面这句话使用yolov8s-p2.yaml 指定网络体系结构，并指定 yolov8s.pt 包含在训练期间学习的权重。

实战演练

训练车辆部件命令行

yolo train data=datasets/TVDSDataSet/data.yaml model=yolov8x-p2.yaml pretrained=yolov8x.pt epochs=40 lr0=0.01 batch=8 device=0,1,2,3
1

正常情况下我们检测的小目标效果就会很好了，但是如上图所见，很遗憾小目标检测结果失败了，不过我们项目属于特殊情况，后面我会说明原因

原因总结

首先我们查看 yolo 参数配置中的 imgsz，官方解释如下

imgsz: 640  # (int | list) input images size as int for train and val modes, or list[w,h] for predict and export modes
1

也就是说我们的输入图片训练的尺寸就是 640 x 640，当然可以自己设置，但是我自己测试大概设置设置到 1200 的时候就会爆内存，不能再增加

但是我的正常输入图片尺寸长宽比十分大，图片尺寸基本都是 20000 x 1000。也就说正常训练阶段图片会被压缩为 640 x 640。对于小目标检测相当不友好（我查阅 YOLO 官网发现，似乎建议训练图片长宽比最多不能超过 20，我的图片基本都是卡的极限）

参考文章

YOLOv8 for small objects (insects) : computervision (reddit.com)

Small object under 15px detection · Issue #981 · ultralytics/ultralytics (github.com)

本文由博客一文多发平台 OpenWrite 发布！