【2022第十届‘泰迪杯’挑战赛】A题：害虫识别完整版（已有完整结果）

2022泰迪杯挑战赛A题害虫识别完整版(大致思路，详细过程和代码在压缩包中)：

正式数据：

2022.04.06(正式数据)

提取码: u54n

写在前面：

完整版下载：

建议Chrome浏览器打开

下载地址

本套压缩包，包含了：

数据预处理代码、YOLO害虫识别定位全套代码、结果处理代码（去归一化为像素坐标等转为csv文件）、已有的结果result2,result3.csv（由于百度网盘速度感人，上传至阿里云盘，包中有网站和提取码）、另外赠送pycharm专业版软件

已有整套结果数据（检测的图片，问题二三的结果csv）

一、数据预处理：(在数据预处理.ipynb中)

1、构造出YOLO格式标签集：

2、预处理部分代码：

3、选出用于训练的图片集和待测图片集：

二、通过txt文件和对应的images图片文件转化为YOLO所需的voc数据集格式：

三、模型训练（全套模型和结果都在YOLO—hc压缩包中）

1、安装好环境，连接好服务器

2、参数设置成本题的数据：

3、训练好后使用best.pt进行验证，val.py参数为：

4、验证好后，进行最后的检测，detect.py，参数方面设置为：选用最好模型，选择待测数据集：

五、结果进行处理转为像素坐标点然后写入csv

runs\train\exp16:

confusion_matrix.png(混淆矩阵)

混淆矩阵能对分类问题的预测结果进行总结，显示了分类模型的在进行预测时会对哪一部分产生混淆。

F1_curve：

F1分数与置信度之间的关系。F1分数（F1-score）是分类问题的一个衡量指标，是精确率precision和召回率recall的调和平均数，最大为1，最小为0, 1是最好，0是最差

P_curve.png :

准确率precision和置信度confidence的关系图

PR_curve.png:

PR曲线中的P代表的是precision（精准率），R代表的是recall（召回率），其代表的是精准率与召回率的关系，一般情况下，将recall设置为横坐标，precision设置为纵坐标。PR曲线下围成的面积即AP，所有类别AP平均值即Map.如果PR图的其中的一个曲线A完全包住另一个学习器的曲线B，则可断言A的性能优于B，当A和B发生交叉时，可以根据曲线下方的面积大小来进行比较。一般训练结果主要观察精度和召回率波动情况（波动不是很大则训练效果较好）Precision和Recall往往是一对矛盾的性能度量指标；提高Precision == 提高二分类器预测正例门槛 == 使得二分类器预测的正例尽可能是真实正例；提高Recall == 降低二分类器预测正例门槛 == 使得二分类器尽可能将真实的正例挑选

R_curve.png :召回率和置信度之间的关系

results.png：

Box_loss： YOLO V5使用 GIOU Loss作为bounding box的损失，Box推测为GIoU损失函数均值，越小方框越准；
Objectness_loss： 推测为目标检测loss均值，越小目标检测越准；
Classification_loss： 推测为分类loss均值，越小分类越准；
Precision： 精度（找对的正类/所有找到的正类）；
Recall： 真实为positive的准确率，即正样本有多少被找出来了（召回了多少）.Recall从真实结果角度出发，描述了测试集中的真实正例有多少被二分类器挑选了出来，即真实的正例有多少被该二分类器召回。
val Box_loss: 验证集bounding box损失;
val Objectness_loss： 验证集目标检测loss均值;
val classification_loss： 验证集分类loss均值;

C:\Users\X\Desktop\yolov5-hc\runs\val\exp3:

六、结果：

运行detect.py:

检测图片：

转为结果保存到csv文件：

result2.csv:

result3.csv：

优化前：

优化后：

七、写在最后：

由于数据量过大不能一次性上传完，所以拆分些数据先一步上传至阿里云盘，具体在教程中

有包中详细教程，纯手码，创作不易，感谢支持