yolos-small-Forklift_Object_Detection

DunnBC22
Detección de objetos

Este modelo es una versión afinada de hustvl/yolos-small en el dataset de detección de objetos de montacargas. Está destinado a demostrar mi capacidad para resolver un problema complejo utilizando tecnología. Para más información sobre cómo fue creado, consulte el siguiente enlace: https://github.com/DunnBC22/Vision_Audio_and_Multimodal_Projects/tree/main/Computer%20Vision/Object%20Detection/Forklift%20Object%20Detection

Como usar

Hyperparámetros de entrenamiento

  • learning_rate: 5e-05
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • optimizer: Adam con betas=(0.9,0.999) y epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 25

Resultados del entrenamiento

Métrica: IoU

  • Precisión Promedio (AP)

    • IoU=0.50:0.95, área= todas, maxDets=100: 0.136
    • IoU=0.50, área= todas, maxDets=100: 0.400
    • IoU=0.75, área= todas, maxDets=100: 0.054
    • IoU=0.50:0.95, área= pequeña, maxDets=100: 0.001
    • IoU=0.50:0.95, área= mediana, maxDets=100: 0.051
    • IoU=0.50:0.95, área= grande, maxDets=100: 0.177

  • Recuerdo Promedio (AR)

    • IoU=0.50:0.95, área= todas, maxDets= 1: 0.178
    • IoU=0.50:0.95, área= todas, maxDets= 10: 0.294
    • IoU=0.50:0.95, área= todas, maxDets=100: 0.340
    • IoU=0.50:0.95, área= pequeña, maxDets=100: 0.075
    • IoU=0.50:0.95, área= mediana, maxDets=100: 0.299
    • IoU=0.50:0.95, área= grande, maxDets=100: 0.373

Versiones del framework

  • Transformers 4.31.0
  • Pytorch 2.0.1+cu118
  • Datasets 2.14.3
  • Tokenizers 0.13.3

Funcionalidades

Detección de objetos
Transformers
PyTorch
TensorBoard
Generado a partir de Trainer

Casos de uso

Demostrar la capacidad para resolver problemas complejos utilizando tecnología
Detección de montacargas en imágenes