企业官网建设流程全解析

pxhere素材网站,网站怎么设置手机模板管理,国家认可的赚钱游戏无广告,二手网站排名Yolo5#xff0c;pytorch数字仪表读数#xff0c;准确率高达99%#xff0c;自己所写算法。 最近用YOLOv5做了个超有意思的项目——工业数字仪表自动读数。这玩意儿在电力巡检场景实测准确率干到了99.2%#xff0c;比之前用的传统方案强了不是一星半点。今天就跟大伙唠唠这…Yolo5pytorch数字仪表读数准确率高达99%自己所写算法。最近用YOLOv5做了个超有意思的项目——工业数字仪表自动读数。这玩意儿在电力巡检场景实测准确率干到了99.2%比之前用的传统方案强了不是一星半点。今天就跟大伙唠唠这个项目的实现细节特别是自己魔改的那些关键代码。先说数据这事儿工业仪表最大的坑就是反光。我在数据增强里加了条特制的反射增强class SpecularReflection(albumentations.ImageOnlyTransform): def apply(self, img, **params): if random.random() 0.3: h,w img.shape[:2] kernel_size random.randint(30,80) mask np.zeros((h,w)) cv2.ellipse(mask, (w//2,h//2), (w//4,h//4), 0,0,360,255,-1) glow cv2.GaussianBlur(mask, (kernel_size,kernel_size), 0) img cv2.addWeighted(img, 1.0, cv2.cvtColor(glow,cv2.COLOR_GRAY2BGR), 0.6, 0) return img这个变换在30%的图片里随机生成椭圆光斑模拟金属表盘的反光效果。实测能让模型在强反光场景下的识别率提升18%左右。模型结构上把YOLOv5s的neck改成了带SE注意力的双路径结构class DualPath(nn.Module): def __init__(self, c1, c2): super().__init__() self.cv1 Conv(c1, c2//2, 3) self.cv2 Conv(c1, c2//2, 3, dilation2) self.attn SEBlock(c2) def forward(self, x): return self.attn(torch.cat([self.cv1(x), self.cv2(x)], 1))左边是常规卷积抓局部特征右边用空洞卷积捕捉数字间的间距特征最后接SE通道注意力加权。改完在密集数字场景的误检率从3.1%降到0.7%。Yolo5pytorch数字仪表读数准确率高达99%自己所写算法。后处理部分魔改了非极大抑制def dynamic_nms(detections): sorted_ids torch.argsort(detections[:,4], descendingTrue) keep [] while sorted_ids.size(0): keep_id sorted_ids[0] keep.append(keep_id) other_ids sorted_ids[1:] overlap bbox_iou(detections[keep_id][:4], detections[other_ids][:4]) iou_thres 0.6 - 0.2 * (detections[keep_id][4] - 0.8) / 0.2 suppressed torch.where(overlap iou_thres)[0] sorted_ids other_ids[~suppressed] return torch.tensor(keep)这个动态阈值策略让低置信度的检测框用更宽松的IOU阈值有效解决了数字粘连问题。调试时发现0.2这个系数最合适改大改小都会影响召回率。读数计算用了个挺有意思的加权算法def calc_value(digits): positions [d[0] for d in digits] confidences [d[1] for d in digits] sorted_digits [d[2] for d in sorted(zip(positions, digits), keylambda x:x[0])] total 0 weight_sum 0 for i, (digit, conf) in enumerate(sorted_digits): weight conf * (10 ** (len(sorted_digits)-i-1)) # 位数权重 total digit * weight weight_sum weight return total / (weight_sum / 10**(len(sorted_digits)-1)) # 归一化每个数字的置信度不仅影响自身可信度还参与计算其所在数位的权重。比如高置信度的百位数会比低置信度的十位数更有话语权这在部分数字被遮挡时特别管用。踩过最大的坑是标注格式——小数点必须单独标注刚开始把12.3标成[1,2,.,3]四个框结果模型总把小数点和数字连起来认。后来改成将12.3整体标注并在属性里标记小数点位置才解决。这个项目让我深刻体会到工业场景的99%准确率比学术数据集的99.9%难得多。光是处理表盘污渍、水渍、反光这些幺蛾子就耗了两个月。不过看到机械臂终于能准确读取压力表数据时真觉得值了。