YOLOv5全面解析教程：使用模型融合提升mAP和mAR
1
模型融合 (Model Ensembling)
融合建模（Ensemble modeling）是这样一个过程：通过使用许多不同的建模算法或使用不同的训练数据集，创建多个不同的模型来预测结果。然后，融合模型汇总每个基础模型（base model）的预测结果，并对未见过的数据进行最终预测。使用融合模型的动机是为了减少预测的泛化误差。只要基础模型具有多样性和独立性，采用融合方法时，模型的预测误差就会减小。这种方法在做出预测时寻求集体智慧（wisdom of crowd）。尽管融合模型在模型中具有多个基础模型，但它就像单个模型那样运行和执行。（https://www.sciencedirect.com/topics/computer-science/ensemble-modeling）
2
开始之前
克隆工程并在 Python>3.7.0 的环境中安装 requiresments.txt , OneFlow 请选择 nightly 版本或者 >0.9 版本 。模型和数据可以从源码中自动下载。
3
普通测试
在尝试TTA之前，我们希望建立一个基准能够进行比较。该命令在COCO val2017上以640像素的图像大小测试YOLOv5x。yolov5x?是可用的最大并且最精确的模型。其它可用的模型是?yolov5s,?yolov5m??和?yolov5l等 ?或者 自己从数据集训练出的模型?./weights/best。有关所有可用模型的详细信息，请参阅我们的 READEME table
输出:
4
融合测试
通过在任何现有的 val.py或detect.py命令中的?--weights 参数后添加额外的模型，可以在测试和推理时将多个预训练模型融合在一起。
将 yolov5x,?yolov5l6 两个模型的融合测试的指令如下：
声明：上述两次测试的mAP，mAR结果如下：
5
融合推理
附加额外的模型在?--weights 选项后自动启用融合推理：
Output:
参考文章
https://github.com/ultralytics/yolov5/issues/318
- 发表于:
- 原文链接：https://kuaibao.qq.com/s/20230523A012I000?refer=cp_1026
- 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号（企鹅号）传播渠道之一，根据《腾讯内容开放平台服务协议》转载发布内容。
- 如有侵权，请联系 cloudcommunity@tencent.com 删除。
相关快讯
扫码
添加站长 进交流群
领取专属 10元无门槛券
私享最新 技术干货
腾讯云开发者
