布匹瑕疵检测在我之前的文章中已经有过实践记录了,这里就不在赘述了,本文的核心目标是为了基于yolov5全系列的各个模块分别开发构建布匹瑕疵检测模型,之后通过对比分析结果数据来分析不同模块之间的差异。
首先看下效果图:
简单看下数据集:
YOLO格式标注文件如下:
VOC格式标注文件如下:
随机划分数据集,五款模型保持在完全相同的条件下进行实验,默认都是100次epoch计算,接下来看结果:
【yolov5n】
扫描二维码关注公众号,回复:
15108652 查看本文章
【yolov5s】
【yolov5m】
【yolov5l】
【yolov5x】
肉眼可见的性能提升,从n系列开始到m系列的变化比较明显,之后就比较缓慢了,很少用x这种这么大的模型,因为训练成本是很大的。
接下来,我们来直观地进行模型间的对比,绘制各种曲线。
首先是F1值曲线:
接下来是Precision曲线:
之后是Recall曲线:
最后是loss曲线:
不难看出:x模型在性能上是独一档的存在,不过大模型大参数也有缺点,最直接的就是时耗较大,对设备算力要求较高,这个在实际生产场景中还是选择最适合自己业务需求的模型即可,不需要一味地追求高精度或者是高速度。