開源yolos-tiny-NFL_Object_Detection模型 - 精準識別美式橄欖球比賽中頭盔對象

首頁

Yolos Tiny NFL Object Detection

由DunnBC22開發

基於YOLOS-tiny微調的NFL頭盔檢測模型，用於識別美式橄欖球比賽中的頭盔對象

目標檢測

Transformers

英語開源協議:Apache-2.0 #NFL頭盔檢測 #小目標檢測 #體育視頻分析

下載量 14

發布時間 : 7/30/2023

模型概述

該模型是在nfl-object-detection數據集上微調的YOLOS-tiny版本，主要用於美式橄欖球比賽中的頭盔檢測任務。模型展示了目標檢測技術在體育分析中的應用潛力。

模型特點

輕量級架構

基於YOLOS-tiny的輕量級設計，適合資源有限的環境

體育場景優化

專門針對NFL比賽場景中的頭盔檢測進行優化

可擴展基礎

可作為更大型檢測模型的基礎進行進一步開發

模型能力

圖像中的對象檢測

體育場景分析

頭盔識別

使用案例

體育分析

比賽視頻分析

自動識別比賽視頻中的球員頭盔

可輔助比賽統計和球員追蹤

安全監控

檢測球員是否正確佩戴頭盔

提高比賽安全性監控效率

🚀 yolos-tiny-NFL_Object_Detection

這個模型是基於目標檢測技術，在 nfl-object-detection 數據集上對 hustvl/yolos-tiny 進行微調的版本，可用於解決 NFL 相關的目標檢測問題。

🚀 快速開始

該模型目前尚未完全訓練完成，需要更多的訓練資源來進一步完善。

✨ 主要特性

此模型是在 nfl-object-detection 數據集上對 hustvl/yolos-tiny 進行微調得到的。
微調與評估在不同文件中進行。
若計劃在 NFL 頭盔檢測數據集上微調目標檢測模型，建議至少使用 Yolos-small 檢查點。

📚 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/tree/main/Computer%20Vision/Object%20Detection/Trained%2C%20But%20to%20Standard/NFL%20Object%20Detection/Successful%20Attempt

預期用途和限制

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/keremberke/nfl-object-detection

訓練過程

訓練超參數

訓練期間使用了以下超參數：

學習率：5e-05
訓練批次大小：8
評估批次大小：8
隨機種子：42
優化器：Adam（β1 = 0.9，β2 = 0.999，ε = 1e-08）
學習率調度器類型：線性
訓練輪數：18

訓練結果

指標名稱	交併比（IoU）	區域	最大檢測數	指標值
平均精度（AP）	IoU=0.50:0.95	區域=全部	最大檢測數=100	0.003
平均精度（AP）	IoU=0.50	區域=全部	最大檢測數=100	0.010
平均精度（AP）	IoU=0.75	區域=全部	最大檢測數=100	0.000
平均精度（AP）	IoU=0.50:0.95	區域=小	最大檢測數=100	0.002
平均精度（AP）	IoU=0.50:0.95	區域=中	最大檢測數=100	0.014
平均精度（AP）	IoU=0.50:0.95	區域=大	最大檢測數=100	0.000
平均召回率（AR）	IoU=0.50:0.95	區域=全部	最大檢測數=1	0.002
平均召回率（AR）	IoU=0.50:0.95	區域=全部	最大檢測數=10	0.014
平均召回率（AR）	IoU=0.50:0.95	區域=全部	最大檢測數=100	0.029
平均召回率（AR）	IoU=0.50:0.95	區域=小	最大檢測數=100	0.026
平均召回率（AR）	IoU=0.50:0.95	區域=中	最大檢測數=100	0.105
平均召回率（AR）	IoU=0.50:0.95	區域=大	最大檢測數=100	0.000