YOLOv8目标检测模型——遥感小目标检测经验分享

小目标检测——YOLOV8

一、引言

1. 背景介绍

（1）目标检测的重要性

目标检测在许多领域都具有极其重要的作用。在自动驾驶中，目标检测能够识别道路上的障碍物和行人，确保行车安全。在视频监控中，目标检测能够实时发现异常情况，提高安全防范能力。在工业自动化中，目标检测能够准确识别物料和产品，提高生产效率。在医疗影像中，目标检测能够辅助医生诊断疾病，提高诊断准确率。在各个领域都发挥着不可或缺的作用。

（2）深度学习在目标检测领域的应用

深度学习在目标检测领域应用广泛，通过训练深度神经网络识别图像中的目标并定位其位置。卷积神经网络（CNN）是目标检测的基础，通过滑动窗口和候选区域等方法提取特征，结合分类器和回归器实现目标检测和定位。

（3）YOLOv8模型介绍

Yolov8是一种目标检测算法，它通过独特的双路径预测和紧密的连接的卷积网络进行目标检测。该算法采用了轻量级网络结构，同时保持了较高的性能，因此具有高效的特点。此外，Yolov8还采用了级联和金字塔的思想，使算法能够处理不同大小的目标。

在Yolov8中，目标检测任务被分解为两个独立的子任务，即分类和定位。每个子任务都有自己的网络路径，这使得算法能够更好地处理不同大小的目标。在网络结构方面，Yolov8采用了轻量级网络结构，如MobileNetV2等，使得它能够在移动设备上运行得更加流畅。

1. 实验目的

（1）探究YOLOv8模型在自定义数据集上的性能

（2）通过模型改进、数据增强和迁移学习提高模型性能

二、实验环境与数据集

1. 实验环境配置

（1）硬件配置

Linux

GeForce RTX 2080 Ti

1. 软件配置

Pycharm 2018 Community

1. 自定义数据集介绍

1. 数据集来源

比赛数据集：第五届全国高校计算机能力挑战赛-人工智能

1. 数据集规模

决赛数据集：

大小：2.1 GB

类别：2

检测类型：遥感图像 舰船、飞机

1. 数据集预处理

对原有标签进行数据集转换。

三、模型改进方法

1. BiFNP-p2

（1）简介

BiFPN是一种用于目标检测和语义分割的神经网络架构，旨在改善FPN的性能。 以下是BiFPN的关键特点和工作原理：①双向连接：BiFPN引入了双向连接，允许信息在不同分辨率级别之间双向传播。②自适应特征调整：BiFPN采用自适应的特征调整机制，可以学习权重，以调整不同层级的特征以更好地匹配不同任务的需求。③模块化设计：BiFPN的模块化设计使其易于嵌入到各种深度神经网络架构中。④高效性：BiFPN被设计为高效的模型，适用于嵌入式设备和实际部署。⑤提高性能：BiFPN的引入通常能够显著提高对象检测和分割任务的性能。

(2)改进YOLOv8模型，包括更换BiFPN和融合yolov8-P2小目标检测层，以下是更改后的配置文件

1. CA注意力机制

（1）简介

CA（Coordinate Attention）注意力机制用于加强深度学习模型对输入数据的空间结构理解。

CA注意力机制的核心思想是引入坐标信息，以便模型可以更好地理解不同位置之间的关系。具体流程如下：①输入特征②全局平均池化③合并宽高特征④卷积+标准化+激活函数⑤再次分开⑥转置⑦通道调整和Sigmoid - 应用注意力

（2）YOLOv8添加CA注意力机制

CA注意力机制代码包括h_sigmoid、h_swish、CoordAtt等组件，用于处理空间结构信息。

• 在conv.py文件中添加CA注意力机制

• 注册和引用CA注意力机制
• 更改yaml配置文件

1. SCConv

1. 简介

SCConv（Spatial and Channel Reconstruction Convolution）是一种用于卷积神经网络（CNN）的新型卷积模块，旨在减少特征图中的冗余信息，从而提高模型的效率和性能。它通过空间重建单元（SRU）和通道重建单元（CRU）来抑制空间和通道上的冗余信息，可轻松替代标准卷积层，降低模型参数和计算复杂度，同时保持或提高模型性能。

1. YOLOv8 C2f融合SCConv模块

• 加入融合ScConv的C2f模块，在ultralytics包中的nn包的modules中的block.py文件中添加改进模块。

• 注册和引用融合ScConv的C2f模块
• 更改后的配置文件

四、数据增强

1. 数据增强方法

• 随机丢弃 (Dropout)
• 锐化 (Sharpen)
• 仿射变换 (Affine)
• 亮度调整 (AddToBrightness)
• 色调调整 (AddToHue)
• 水平翻转 (Fliplr)

1. 数据增强效果

通过坐标转换、标签处理和图像增强，有效的扩充了数据集，将原来的1500个图像和标签文件，扩充到了9000个，目的是①增加训练数据数量②提高模型性能③增强模型鲁棒性。

五、迁移学习

1. 迁移学习方法

（1）预训练模型与训练模型的构建

• 实现思路

使用yolov8x.yaml的模型配置作为教师模型，学生模型采用yolov8n.yaml

• 预训练模型参数

模型结构：268 layers

参数数量：68125494 parameters

计算性能：257.4 GFLOPs

• 训练模型参数

模型结构：400 layers

参数数量：1336652 parameters

计算性能：13.2 GFLOPs

六、实验结果与分析

1.  超参数设置

• Epochs=500
• Device=GPU
• Imgsz=640
• Batch=16

1. 实验结果展示

（1）改进前后的模型性能对比

1. 原始模型

模型结构：168 layers

参数数量：3006038 parameters

计算性能：8.1 GFLOPs

训练时间：0.209小时

最终模型大小：6.3 MB

1. BiFNP-p2

模型结构：215 layers

参数数量：2225880 parameters

计算性能：17.2 GFLOPs

训练时间：0.181小时

最终模型大小：4.9 MB

1. CA注意力机制

模型结构：198 layers

参数数量：3017758 parameters

计算性能：8.1 GFLOPs

训练时间：0.118小时

最终模型大小：6.3MB

1. SCConv

模型结构：222 layers

参数数量：2813846 parameters

计算性能：7.5 GFLOPs

训练时间：0.144小时

最终模型大小：5.9 MB

在综合模型大小、速度和精度之下，最终了选择BiFNP-p2改进后的网络模型，作为最优的网络模型。

1. 数据增强对模型性能的影响——以原始模型为例

数据增强前：

数据增强后：

可以看出使用数据增强技术之后，对模型的性能有了较为明显的提升，mAP50从0.927，提升到了0.938；mAP50-95从0.65提升到了0.669。因此，根据检测类型，选择合适的网络模型配合数据增强技术可以有效的提高模型的性能。

1. 迁移学习对模型性能的提升——以原始模型为例

模型结构：168 layers

参数数量：3006038 parameters

计算性能：8.1 GFLOPs

训练时间：0.109小时

最终模型大小：6.3 MB

由此可见，迁移学习也对模型性能有较大的提升。

1. 结果分析讨论

在上面进行的改进中，可以看到，不同的检测类别有不同的网络模型，通过找到合适的网络模型可以有效的提升模型在目标检测中的性能；同时，在样本量不足的情况下，数据增强技术也能够有效地提升模型的性能；最后，迁移学习中的预训练模型能够很好地辅助模型进行训练，从能提高模型的性能。

通过结合三种方法，最终能够得到一个性能相对较好的模型。只不过，对于不同的检测类别来说，探索的时间大不相同。在本例的实验中，由于是遥感图像小目标检测，难度相对来说较大，并且有一定的概率问题，所以时间较长（11天），并且还没有达到最好的效果。

当然上面提到的改进方法，只是选取的一部分，在实验中还有很多没有成功的案例（例如ghostNet等等）。如果想要达到最好的效果，应该多花费一些功夫在网络模型的改进上面，能够找到最适合自己的目标检测网络模型。因为目标的种类繁多，所以对于不同的目标肯定有不同的网络模型，所以我认为直接改进网络模型是最有效的办法，能够大大减少工作量。