yolos-small-Cell_Tower_Detection開源模型 - 精準高效實現基站檢測功能

首頁

Yolos Small Cell Tower Detection

由DunnBC22開發

該模型是基於hustvl/yolos-small微調後的版本，專門用於檢測基站。

目標檢測

Transformers

英語開源協議:Apache-2.0 #小目標檢測 #電信基礎設施 #YOLOS架構

下載量 21

發布時間 : 8/19/2023

模型概述

該模型旨在展示運用技術解決複雜問題的能力，主要用於基站目標檢測任務。

模型特點

高效檢測

基於YOLOS-small架構，能夠高效檢測圖像中的基站目標。

微調優化

在特定數據集上進行微調，提升了基站檢測的準確率。

模型能力

目標檢測

基站識別

使用案例

基礎設施監測

基站檢測

用於檢測圖像中的基站，支持基礎設施的監測和管理。

平均精度（AP）IoU=0.50為0.636

🚀 yolos-small-Cell_Tower_Detection

本模型是 hustvl/yolos-small 的微調版本，用於解決複雜的物體檢測問題，特別是針對手機信號塔的檢測。

📚 詳細文檔

模型描述

關於該模型的創建方式，更多信息請查看以下鏈接：https://github.com/DunnBC22/Vision_Audio_and_Multimodal_Projects/blob/main/Computer%20Vision/Object%20Detection/Cell%20Tower%20Object%20Detection/Cell%20Tower%20Detection%20YOLOS.ipynb

預期用途與限制

此模型旨在展示使用技術解決複雜問題的能力。

訓練和評估數據

數據集來源：https://huggingface.co/datasets/Francesco/cell-towers

訓練過程

訓練超參數

訓練期間使用了以下超參數：

學習率（learning_rate）：1e-05
訓練批次大小（train_batch_size）：8
評估批次大小（eval_batch_size）：8
隨機種子（seed）：42
優化器（optimizer）：Adam，其中 betas=(0.9, 0.999)，epsilon=1e-08
學習率調度器類型（lr_scheduler_type）：線性
訓練輪數（num_epochs）：30

訓練結果

指標名稱	交併比（IoU）	區域	最大檢測數（maxDets）	指標值
平均精度（AP）	IoU=0.50:0.95	area= all	maxDets=100	0.287
平均精度（AP）	IoU=0.50	area= all	maxDets=100	0.636
平均精度（AP）	IoU=0.75	area= all	maxDets=100	0.239
平均精度（AP）	IoU=0.50:0.95	area= small	maxDets=100	0.069
平均精度（AP）	IoU=0.50:0.95	area=medium	maxDets=100	0.289
平均精度（AP）	IoU=0.50:0.95	area= large	maxDets=100	0.556
平均召回率（AR）	IoU=0.50:0.95	area= all	maxDets= 1	0.192
平均召回率（AR）	IoU=0.50:0.95	area= all	maxDets= 10	0.460
平均召回率（AR）	IoU=0.50:0.95	area= all	maxDets=100	0.492
平均召回率（AR）	IoU=0.50:0.95	area= small	maxDets=100	0.151
平均召回率（AR）	IoU=0.50:0.95	area=medium	maxDets=100	0.488
平均召回率（AR）	IoU=0.50:0.95	area= large	maxDets=100	0.760