yolos-small-Wall_Damage

DunnBC22

Detección de objetos

Este modelo es una versión ajustada de hustvl/yolos-small. Está destinado a demostrar mi capacidad para resolver un problema complejo usando tecnología. Para más información sobre cómo se creó, consulta el siguiente enlace: https://github.com/DunnBC22/Vision_Audio_and_Multimodal_Projects/blob/main/Computer%20Vision/Object%20Detection/Trained%2C%20But%20to%20Standard/Wall%20Damage%20Object%20Detection/Wall_Damage_Object_Detection_YOLOS.ipynb

Como usar

Los siguientes hiperparámetros fueron utilizados durante el 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: 40

Resultados del entrenamiento:
Average Precision  (AP)
IoU=0.50:0.95
area=   all
maxDets=100
0.241

Average Precision  (AP)
IoU=0.50
area=   all
maxDets=100
0.400

Average Precision  (AP)
IoU=0.75
area=   all
maxDets=100
0.231

Average Precision  (AP)
IoU=0.50:0.95
area= small
maxDets=100
-1.000

Average Precision  (AP)
IoU=0.50:0.95
area=medium
maxDets=100
-1.000

Average Precision  (AP)
IoU=0.50:0.95
area=large
maxDets=100
0.241

Average Recall     (AR)
IoU=0.50:0.95
area=   all
maxDets=  1
0.488

Average Recall     (AR)
IoU=0.50:0.95
area=   all
maxDets= 10
0.579

Average Recall     (AR)
IoU=0.50:0.95
area=   all
maxDets=100
0.621

Average Recall     (AR)
IoU=0.50:0.95
area= small
maxDets=100
-1.000

Average Recall     (AR)
IoU=0.50:0.95
area=medium
maxDets=100
-1.000

Average Recall     (AR)
IoU=0.50:0.95
area= large
maxDets=100
0.621

Funcionalidades

Detección de objetos
Transformers
PyTorch
TensorBoard

Casos de uso

Detección de daños en paredes
Solución de problemas complejos mediante tecnología