如果让你和你的团队去用yolov8 做一款能检测箭靶自动报靶的系统，你会怎么做？

【相关推荐】

• 你可以参考下这个问题的回答, 看看是否对你有帮助, 链接: https://ask.csdn.net/questions/7687883
• 这篇博客你也可以参考下：【2】YOLOv8原理解析：重新定义实时目标检测的速度和精度
• 您还可以看一下 李立宗老师的YOLOv1论文深度解析（8小时原汁原味逐句解析YOLO论文）课程中的 对比其他目标检测系统——导读小节, 巩固相关知识点
  
• 除此之外, 这篇博客: python生成文字点选验证码→训练yolo目标检测模型→识别文字点选验证码中的 三、YOLOv5 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

  代码过多，就不放上来了，直接看结果。

  参考了作者的代码

  https://github.com/ultralytics/yolov5，去掉了我认为是冗余的代码，主要是简化了train.py、val.py和detect.py的代码。

  因为yolov5有提供多个模型：yolov5n、yolov5s、yolov5l、yolov5m、yolov5x，于是我就都尝试了一遍。

  均采用以下训练策略：

  • epoch：100
  • learning rate：0.001
  • batch size：16
  • image size：416
  • augment：False
  • rect：False
  • quad：False
  • multi scale：True
  • 数据集划分：80%即4000张用于训练，20%即1000张用于验证
  • 优化器：Adam
  • lr scheduler：LambdaLR
  • 配置文件：hyp.scratch.yaml
  • 混合精度训练
  • 不使用平滑标签
  • 评价指标：fitness = 0.1 * mAP@0.5 + 0.9 * mAP@0.5:0.95

  1. yolov5n

  GPU内存占用：2G
  训练耗时：2.2小时
  模型大小：7.39MB
  ---- best_fitness=0.6837750339549021
  ---- best_epoch=87

  训练结果的如下：

  Train Loss	Valid Loss	Valid Metrics

  2. yolov5s

  GPU内存占用：4.25G
  训练耗时：2.5小时
  模型大小：27.9MB
  ---- best_fitness=0.878297457833696
  ---- best_epoch=99

  训练结果的如下：

  Train Loss	Valid Loss	Valid Metrics

  3. yolov5l

  GPU内存占用：12.8G
  训练耗时：3.75小时
  模型大小：178MB
  ---- best_fitness=0.9015696258245549
  ---- best_epoch=93

  训练结果的如下：

  Train Loss	Valid Loss	Valid Metrics

  4. yolov5m

  GPU内存占用：8.5G
  训练耗时：3小时
  模型大小：81.4MB
  ---- best_fitness=0.9197881788592055
  ---- best_epoch=98

  训练结果的如下：

  Train Loss	Valid Loss	Valid Metrics

  5. yolov5x

  GPU内存占用：15.5G
  训练耗时：6.3小时
  模型大小：332MB
  ---- best_fitness=0.9216454715562004
  ---- best_epoch=100

  训练结果的如下：

  Train Loss	Valid Loss	Valid Metrics

  小结

  1. yolov5n模型最小，GPU内存占用最小，且训练时长也最短，可惜性能是最差的，但也比yolov3要好，这一点毋容置疑
  2. 如果要考虑GPU内存、模型大小、训练时长和性能，那么yolov5s是最好的选择，性价比最高
  3. yolov5l、yolov5m和yolov5x的性能均达到了90%以上，综合考虑的话，我会选择yolov5m。