python基于YOLOv8全系列模型【n/s/m/l/x】开发构建不同参数量级的钢铁产业产品智能自动化检测识别系统

在前文的项目开发实践中，我们已经以钢铁产业产品缺陷检测数据场景为基准，陆续开发构建了多款目标检测模型，感兴趣的话可以自行阅读即可。

《YOLOv3老矣尚能战否？基于YOLOv3开发构建建钢铁产业产品智能自动化检测识别系统，我们来与YOLOv5进行全方位对比评测》

《基于官方YOLOv4开发构建目标检测模型超详细实战教程【以自建缺陷检测数据集为例】》 

《基于官方YOLOv4-u5【yolov5风格实现】开发构建目标检测模型超详细实战教程【以自建缺陷检测数据集为例】》 

《AI助力钢铁产业数字化，python基于YOLOv5开发构建钢铁产业产品智能自动化检测识别系统》

《python基于YOLOv6最新0.4.1分支开发构建钢铁产业产品智能自动化检测识别系统》

《python基于DETR(DEtection TRansformer)开发构建钢铁产业产品智能自动化检测识别系统》 

《python基于YOLOv7系列模型【yolov7-tiny/yolov7/yolov7x】开发构建钢铁产业产品智能自动化检测识别系统》

本文的主要目的就是延续这一业务场景的模型开发，基于yolov8来开发构建不同参数量级的钢铁产品智能化质检系统，本文也是这一业务场景的最终章，首先来看实例效果：

接下来看下数据集情况：

共包含10种不同类型的产品缺陷，如下所示：

['chongkong', 'hanfeng', 'yueyawan', 'shuiban', 'youban', 'siban', 'yiwu', 'yahen', 'zhehen', 'yaozhe']

如果对YOLOv8开发构建自己的目标检测项目有疑问的可以看下面的文章，如下所示：

《基于YOLOv8开发构建目标检测模型超详细教程【以焊缝质量检测数据场景为例】》

非常详细的开发实践教程。本文这里就不再展开了，因为从YOLOv8开始变成了一个安装包的形式，整体跟v5和v7的使用差异还是比较大的。

简单的实例实现如下所示：

from ultralytics import YOLO# yolov8n
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights
model.train(data='data/self.yaml', epochs=100, imgsz=640)# yolov8s
model = YOLO('yolov8s.yaml').load('yolov8s.pt')  # build from YAML and transfer weights
model.train(data='data/self.yaml', epochs=100, imgsz=640)# yolov8m
model = YOLO('yolov8m.yaml').load('yolov8m.pt')  # build from YAML and transfer weights
model.train(data='data/self.yaml', epochs=100, imgsz=640)# yolov8l
model = YOLO('yolov8l.yaml').load('yolov8l.pt')  # build from YAML and transfer weights
model.train(data='data/self.yaml', epochs=100, imgsz=640)# yolov8x
model = YOLO('yolov8x.yaml').load('yolov8x.pt')  # build from YAML and transfer weights
model.train(data='data/self.yaml', epochs=100, imgsz=640)

预训练模型可以到官方项目中自行下载即可。

五款不同参数量级的模型保持完全相同的训练参数配置，等待训练完成后，我们对其训练过程进行对比可视化，如下所示：

【mAP0.5】

mAP0.5（mean Average Precision at 0.5 intersection over union）是一种用于评估目标检测算法性能的指标。在目标检测任务中，mAP0.5衡量了检测算法在不同类别目标上的平均精度。

mAP0.5的计算过程包括以下几个步骤：

1. 对于每个类别的目标，首先计算出每个检测结果的置信度（confidence）和相应的预测框的准确度（accuracy）。
2. 根据置信度对检测结果进行排序，通常是按照置信度从高到低进行排序。
3. 采用不同阈值（通常为0.5）作为IOU（Intersection over Union）的阈值，计算每个类别下的Precision-Recall曲线。
4. 在Precision-Recall曲线上，计算出在不同召回率（Recall）下的平均精度（Average Precision）。
5. 对所有类别的平均精度进行求平均，即得到mAP0.5指标。

mAP0.5的取值范围是0到1，数值越高表示检测算法在目标检测任务上的性能越好。它综合考虑了不同类别目标的精度和召回率，并对检测结果进行了排序和评估。

需要注意的是，mAP0.5只是mAP的一种变体，其中IOU阈值固定为0.5。在一些特定的目标检测任务中，可能会使用其他IOU阈值来计算mAP，例如mAP0.5:0.95表示使用IOU阈值从0.5到0.95的范围来计算平均精度。

整体对比来看，n系列模型的精度最低，s次之，m、l以及x系列的模型并没有非常明显的差距，从推理速度上来讲m系列的模型有着自身天然的优势。

接下来来看loss走势：

不同模型的差异不大，相对都是比较稳定的。

感兴趣的话也都可以自行尝试下！