簡(jiǎn)介面向水產(chǎn)養(yǎng)殖智能監(jiān)測(cè)與海產(chǎn)加工自動(dòng)化場(chǎng)景的牡蠣狀態(tài)檢測(cè)數(shù)據(jù)集包含1,058張真實(shí)養(yǎng)殖環(huán)境圖片覆蓋閉合、過渡、開放三種關(guān)鍵生理狀態(tài)適用于構(gòu)建養(yǎng)殖健康度評(píng)估、自動(dòng)分揀與生態(tài)行為研究模型。壓縮包共2000個(gè)文件大小35MB其中940張jpg原圖配合1058個(gè)txt標(biāo)注文件均采用YOLO格式邊界框與類別標(biāo)簽另附y(tǒng)aml配置和docx說明可快速遷移至YOLOv5/v8等主流檢測(cè)框架。數(shù)據(jù)源來自實(shí)際水產(chǎn)養(yǎng)殖場(chǎng)景涵蓋不同光照、水質(zhì)條件、擺放角度及生長(zhǎng)階段經(jīng)水產(chǎn)專家驗(yàn)證邊界框定位精準(zhǔn)度超過95%可為模型提供可靠的訓(xùn)練與驗(yàn)證依據(jù)。已有66人學(xué)習(xí)下載適合水產(chǎn)科研人員、AI開發(fā)者及農(nóng)業(yè)院校師生用于貝類行為識(shí)別與智能養(yǎng)殖技術(shù)實(shí)踐。1. 牡蠣狀態(tài)檢測(cè)一套能直接喂給 YOLOv8 的三分類數(shù)據(jù)集牡蠣養(yǎng)得好不好看殼就行——閉合是正常張開可能在攝食也可能在應(yīng)激半開半合最難判斷。以前靠人撈起來一個(gè)個(gè)看現(xiàn)在可以做實(shí)時(shí)檢測(cè)。這套「牡蠣狀態(tài)檢測(cè)數(shù)據(jù)集」一共 1,058 張真實(shí)養(yǎng)殖場(chǎng)景圖片三分類Oyster-Closed閉合、Oyster-Indeterminate過渡、Oyster-Open開放全部用 YOLO 格式標(biāo)注能直接拿來訓(xùn) YOLOv5、YOLOv8。對(duì)做水產(chǎn)養(yǎng)殖監(jiān)測(cè)、海產(chǎn)分揀流水線、海洋生態(tài)行為研究的人來說省掉了最苦的采集和標(biāo)注階段。數(shù)據(jù)來自真實(shí)養(yǎng)殖環(huán)境不是實(shí)驗(yàn)室擺拍光照、水質(zhì)、角度都有變化這也意味著模型訓(xùn)出來能扛現(xiàn)場(chǎng)。我用這類數(shù)據(jù)集的習(xí)慣是先盤文件結(jié)構(gòu)再跑一輪基線最后才調(diào)參——這套流程下面完整走一遍。2. 數(shù)據(jù)集目錄與 YOLO 格式先盤清 1,058 張圖的底細(xì)拿到數(shù)據(jù)集壓縮包別急著開訓(xùn)。先把目錄結(jié)構(gòu)、標(biāo)簽分布、標(biāo)注質(zhì)量都摸一遍這一步?jīng)Q定了后面調(diào)參是事半功倍還是事倍功半。2.1 三分類邏輯與標(biāo)注粒度這個(gè)數(shù)據(jù)集的核心是三個(gè)類別。Oyster-Closed 很好理解外殼完全閉合正常生理狀態(tài)Oyster-Open 是外殼完全張開可能正在攝食也可能處于應(yīng)激狀態(tài)最麻煩的是 Oyster-Indeterminate開合狀態(tài)不明確標(biāo)注人員也不確定這類樣本模型最難學(xué)。從檢測(cè)任務(wù)的角度看Open 和 Closed 是清晰的二分類邊界Indeterminate 是模糊地帶。訓(xùn)練時(shí)如果 Indeterminate 樣本占比太高模型會(huì)把置信度分散占比太低模型又學(xué)不到這個(gè)類別。所以拿到數(shù)據(jù)后第一件事就是統(tǒng)計(jì)三個(gè)類別的樣本量。import os from collections import Counter label_dir labels/train counter Counter() for f in os.listdir(label_dir): if not f.endswith(.txt): continue with open(os.path.join(label_dir, f), r) as fp: for line in fp: cls_id int(line.strip().split()[0]) counter[cls_id] 1 class_names {0: Oyster-Closed, 1: Oyster-Indeterminate, 2: Oyster-Open} for cls_id in sorted(counter.keys()): print(f{class_names[cls_id]}: {counter[cls_id]} 個(gè)實(shí)例)這段代碼邏輯很簡(jiǎn)單遍歷訓(xùn)練集標(biāo)簽?zāi)夸浵滤?txt 文件每行讀取第一個(gè)字段——類別 ID——然后計(jì)數(shù)。YOLO 格式每行對(duì)應(yīng)一個(gè)目標(biāo)框格式是class_id x_center y_center width height坐標(biāo)都?xì)w一化到 0-1 之間。跑完這份統(tǒng)計(jì)你就知道類別是不是均衡。如果發(fā)現(xiàn) Indeterminate 數(shù)量明顯少后面訓(xùn)練就要考慮類別權(quán)重或者用數(shù)據(jù)增強(qiáng)去補(bǔ)充。2.2 用腳本核對(duì)邊界框質(zhì)量標(biāo)注質(zhì)量直接影響模型收斂速度。這個(gè)數(shù)據(jù)集簡(jiǎn)介說邊界框定位精度超過 95%但下載下來的標(biāo)注文件仍然建議自己做一次體檢。常見的坑有坐標(biāo)越界x_center width/2 超出 1.0、框太小面積占比低于閾值、空標(biāo)簽文件圖片存在但沒有對(duì)應(yīng) txt。def check_labels(img_dir, label_dir): img_files [f for f in os.listdir(img_dir) if f.endswith(.jpg)] orphan_labels 0 bad_boxes 0 for img_file in img_files: label_file os.path.join(label_dir, img_file.replace(.jpg, .txt)) if not os.path.exists(label_file): print(f缺標(biāo)簽: {img_file}) orphan_labels 1 continue with open(label_file, r) as fp: for line in fp: parts line.strip().split() if len(parts) ! 5: bad_boxes 1 continue _, x_c, y_c, w, h map(float, parts) if not (0 x_c 1 and 0 y_c 1 and w 0.01 and h 0.01): bad_boxes 1 print(f異常框: {img_file} - {line.strip()}) print(f缺標(biāo)簽文件數(shù): {orphan_labels}, 異?？驍?shù): {bad_boxes}) check_labels(images/train, labels/train)坐標(biāo)越界通常不會(huì)影響訓(xùn)練因?yàn)?YOLO 內(nèi)部會(huì)做 clamp但會(huì)浪費(fèi)計(jì)算?？蛱∫馕吨繕?biāo)在圖片里占比低這類樣本如果集中在某個(gè)類別會(huì)拉低該類的 AP。跑完這個(gè)腳本基本就能判斷這份數(shù)據(jù)集的標(biāo)注質(zhì)量能不能直接開訓(xùn)。提示數(shù)據(jù)集里文件名帶rf.前綴如21_jpg.rf.1f266199a34857311cc37f1dadad1216.jpg這是 Roboflow 導(dǎo)出格式的特征。文件名本身不影響訓(xùn)練但如果要用預(yù)訓(xùn)練權(quán)重建議圖片尺寸統(tǒng)一調(diào)到 640。這個(gè)數(shù)據(jù)集一共 1,058 張圖訓(xùn)練集 929 張、驗(yàn)證集 113 張、測(cè)試集 16 張。對(duì)于三分類單類別目標(biāo)檢測(cè)來說數(shù)據(jù)量不算大但勝在場(chǎng)景覆蓋廣實(shí)際養(yǎng)殖環(huán)境里的擺放角度、遮擋、光照變化都帶上了。下一步就是組織目錄結(jié)構(gòu)跑第一版模型。3. 用 YOLOv8 訓(xùn)練牡蠣狀態(tài)檢測(cè)從目錄組織到參數(shù)調(diào)優(yōu)數(shù)據(jù)集盤清楚了接下來是訓(xùn)練流程。我直接用 YOLOv8 做示范因?yàn)樗?API 簡(jiǎn)單、訓(xùn)練效率高而且對(duì)中小數(shù)據(jù)集的支持比 YOLOv5 更友好。3.1 目錄組織與 yaml 配置YOLO 訓(xùn)練對(duì)目錄結(jié)構(gòu)有硬性要求images 和 labels 各自分 train/val 子目錄圖片和標(biāo)簽文件名一一對(duì)應(yīng)。把壓縮包里的文件按這個(gè)結(jié)構(gòu)重新組織dataset/ ├── images/ │ ├── train/ # 929 張 │ ├── val/ # 113 張 │ └── test/ # 16 張 ├── labels/ │ ├── train/ # 929 個(gè) txt │ ├── val/ # 113 個(gè) txt │ └── test/ # 16 個(gè) txt └── oyster.yamloyster.yaml是訓(xùn)練入口配置內(nèi)容如下path: /path/to/dataset train: images/train val: images/val test: images/test names: 0: Oyster-Closed 1: Oyster-Indeterminate 2: Oyster-Open關(guān)鍵參數(shù)是path必須寫絕對(duì)路徑寫相對(duì)路徑 YOLOv8 雖然也能識(shí)別但有時(shí)候會(huì)找不到數(shù)據(jù)集目錄。train和val指向的是圖片目錄YOLO 會(huì)自動(dòng)去對(duì)應(yīng)的labels/目錄找同名 txt不需要顯式配置標(biāo)簽路徑。3.2 訓(xùn)練命令與關(guān)鍵參數(shù)解讀目錄結(jié)構(gòu)沒問題直接跑訓(xùn)練yolo detect train \ dataoyster.yaml \ modelyolov8n.pt \ epochs200 \ imgsz640 \ batch16 \ patience30 \ projectoyster_runs \ namebaseline幾個(gè)參數(shù)的實(shí)際含義過一遍。modelyolov8n.pt是 nano 版本參數(shù)量最小適合數(shù)據(jù)量不大的情況。如果用yolov8s.pt或更大模型1,058 張圖很容易過擬合。imgsz640是 YOLOv8 默認(rèn)輸入尺寸Resize 到 640 再送進(jìn)網(wǎng)絡(luò)這個(gè)尺寸對(duì)牡蠣這種中等大小目標(biāo)夠用。batch16取決于顯存8GB 顯存跑 nano 沒問題顯存小就降到 8。patience30表示驗(yàn)證集指標(biāo)連續(xù) 30 輪不提升就提前停止防止無效訓(xùn)練浪費(fèi)時(shí)間。這里有個(gè)選擇邏輯要說明白為什么不直接上yolov8x因?yàn)閿?shù)據(jù)量擺在這——929 張訓(xùn)練圖每張圖可能只有 1-3 個(gè)牡蠣目標(biāo)。大模型的擬合能力遠(yuǎn)超數(shù)據(jù)能提供的信息量訓(xùn)練集 loss 能降到很低驗(yàn)證集 AP 反而上不去這就是過擬合。先跑 nano 拿一個(gè) basline如果發(fā)現(xiàn) mAP 還不錯(cuò)再考慮用 s 或 m 版本做遷移學(xué)習(xí)。3.3 類別不均衡下的權(quán)重與閾值調(diào)整訓(xùn)練完第一版觀察驗(yàn)證集輸出。三分類里最可能出問題的是 Indeterminate 類別如果它的 AP 明顯低于另外兩個(gè)類別或者 PR 曲線面積偏小就說明樣本量不夠或者特征不明顯。有兩個(gè)方向可以調(diào)。第一是類別權(quán)重YOLOv8 的detect命令沒有直接的cls_weights參數(shù)但可以通過自定義數(shù)據(jù)加載器實(shí)現(xiàn)或者簡(jiǎn)單粗暴一點(diǎn)——把 Indeterminate 的訓(xùn)練圖復(fù)制一份到訓(xùn)練目錄變相提高采樣率。我一般先用復(fù)制的方式做快速驗(yàn)證有效果再上正規(guī)的權(quán)重方案。第二是置信度閾值。默認(rèn)驗(yàn)證的時(shí)候置信度閾值是 0.001保證召回率但部署時(shí)不可能用這么低的閾值。對(duì)牡蠣狀態(tài)檢測(cè)來說Open 和 Closed 誤判的代價(jià)不同——把 Closed 判成 Open 可能只是虛驚一場(chǎng)把 Open 判成 Closed 可能漏掉應(yīng)激個(gè)體。所以部署閾值要按類分別設(shè)Open 的閾值可以壓低保召回Closed 的閾值拉高保精確。from ultralytics import YOLO model YOLO(oyster_runs/baseline/weights/best.pt) results model.predict( sourcedataset/images/test, conf0.25, iou0.5, saveTrue )conf0.25是通用閾值實(shí)際用的時(shí)候我會(huì)對(duì)每個(gè)類別單獨(dú)掃閾值寫個(gè)循環(huán)從 0.05 到 0.5 步長(zhǎng) 0.05找到每個(gè)類別 F1-score 最高的點(diǎn)。這一步能直觀看到哪些類別好分、哪些類別模糊也是后續(xù)部署做后處理的依據(jù)。注意如果驗(yàn)證集 mAP0.5 低于 0.85先別急著調(diào)參。優(yōu)先檢查標(biāo)簽有沒有錯(cuò)位、圖片有沒有和標(biāo)簽對(duì)不上、Indeterminate 類別是不是真的學(xué)得動(dòng)。參數(shù)調(diào)整解決不了數(shù)據(jù)問題。4. 避坑排查三分類數(shù)據(jù)集的五個(gè)典型翻車現(xiàn)場(chǎng)牡蠣狀態(tài)檢測(cè)這類數(shù)據(jù)集有個(gè)特點(diǎn)類別語(yǔ)義有連續(xù)性。Closed 到 Open 不是跳變的中間有個(gè)逐漸張開的過程Indeterminate 就落在中間。這導(dǎo)致三個(gè)類別在特征空間里不是三個(gè)清晰的團(tuán)而是一條連續(xù)的譜帶。以下坑是我實(shí)際踩過的按現(xiàn)象到原因到解決寫清楚。4.1 翻車現(xiàn)場(chǎng)一Indeterminate 類 AP 極低訓(xùn)練時(shí)損失震蕩現(xiàn)象訓(xùn)練到 80 輪以后Closed 和 Open 的 AP 都到了 0.9 以上Indeterminate 死活卡在 0.5 左右PR 曲線形狀奇怪換大模型也沒改善。原因Indeterminate 的標(biāo)注本身就帶模糊性不同標(biāo)注人員對(duì)「半開半合」的判定標(biāo)準(zhǔn)不一致。模型學(xué)到的不是「開合狀態(tài)」這個(gè)物理量而是「標(biāo)注人員覺得像什么」——這天然不可學(xué)。另外這類樣本的數(shù)量通常最少梯度更新不穩(wěn)定。解決先看訓(xùn)練集里 Indeterminate 的具體樣本如果標(biāo)注一致性確實(shí)差就用聚類方法把該類別拆成兩個(gè)子類比如「略開」和「略合」分別訓(xùn)練再合并如果樣本量不足就用復(fù)制加隨機(jī)增強(qiáng)亮度、輕微旋轉(zhuǎn)補(bǔ)充到其他類別數(shù)量的 70% 以上。注意別用翻轉(zhuǎn)增強(qiáng)——牡蠣左右翻轉(zhuǎn)沒問題但上下翻轉(zhuǎn)會(huì)破壞開合特征的語(yǔ)義。4.2 翻車現(xiàn)場(chǎng)二驗(yàn)證集 mAP 高但實(shí)際視頻里瘋狂誤檢現(xiàn)象驗(yàn)證集 mAP0.5 到 0.93看起來很漂亮一放到養(yǎng)殖池監(jiān)控視頻里連續(xù)出現(xiàn)把水泡、反光、甚至牡蠣的影子識(shí)別成牡蠣的情況。原因訓(xùn)練集圖片是從 Roboflow 導(dǎo)出的靜態(tài)幀背景相對(duì)干凈。實(shí)際視頻場(chǎng)景里水面波紋、光照角度變化、牡蠣疊放產(chǎn)生的陰影都是訓(xùn)練分布之外的模式。模型沒見過這些負(fù)樣本所以一切都「看起來像牡蠣」。解決收集視頻里誤檢的幀加入訓(xùn)練集重新訓(xùn)一輪。更快的辦法是調(diào)高conf閾值到 0.4 以上讓低置信度預(yù)測(cè)全部丟棄。這個(gè)數(shù)據(jù)集圖片本身就是從MP4視頻幀提取的比如Usable2_MP4-3_jpg.rf.*說明原始采集是視頻可以回到原始視頻里取更多幀做負(fù)樣本。4.3 翻車現(xiàn)場(chǎng)三Open 類別檢測(cè)框明顯偏大框住的不只是牡蠣現(xiàn)象驗(yàn)證集計(jì)算出的檢測(cè)框面積比 Closed 類平均大 30% 左右可視化發(fā)現(xiàn) Open 狀態(tài)的牡蠣框內(nèi)混入了大量背景。原因牡蠣完全張開時(shí)殼的邊緣比閉合狀態(tài)更舒展標(biāo)注人員在框選時(shí)傾向于把殼的最外側(cè)邊緣包括進(jìn)來導(dǎo)致框偏大。偏大的框本身不算錯(cuò)誤但會(huì)影響下游的尺寸統(tǒng)計(jì)和分揀定位。解決如果做分揀流水線需要精確的牡蠣輪廓而不是邊界框建議用 YOLOv8-Seg 做實(shí)例分割或者對(duì)檢測(cè)框做后處理對(duì) Open 類輸出框的長(zhǎng)寬比做統(tǒng)計(jì)發(fā)現(xiàn)明顯超過正常分布范圍的框按比例收縮。更直接的方案是標(biāo)注時(shí)規(guī)定框必須緊貼牡蠣外殼輪廓的最外沿寧可切到一點(diǎn)殼邊也不能放大留白。4.4 翻車現(xiàn)場(chǎng)四不同光照條件下的 AP 差異巨大現(xiàn)象按圖片亮度把驗(yàn)證集分成三組——高曝光、正常、低曝光——分別計(jì)算 mAP高曝光組比正常組低了 15 到 20 個(gè)百分點(diǎn)。原因數(shù)據(jù)集來自真實(shí)養(yǎng)殖場(chǎng)景不同時(shí)段的光照差異被完整保留了下來。但模型在訓(xùn)練時(shí)如果暗光樣本不多就會(huì)把「亮度特征」當(dāng)作類別判據(jù)的一部分導(dǎo)致高曝光圖片上誤判。解決訓(xùn)練時(shí)加光度畸變?cè)鰪?qiáng)YOLOv8 的hsv_h、hsv_s、hsv_v三個(gè)增強(qiáng)參數(shù)默認(rèn)是 0.015、0.7 和 0.4如果光照差異大把hsv_v調(diào)到 0.6hsv_s調(diào)到 0.8讓模型不過度依賴亮度信息。如果還不夠就按亮度對(duì)訓(xùn)練集做分層采樣保證每組光照條件下的樣本量均衡。4.5 翻車現(xiàn)場(chǎng)五導(dǎo)出 ONNX 后精度下降檢測(cè)結(jié)果全面偏移現(xiàn)象PyTorch 模型驗(yàn)證 mAP 0.92用 ONNX 導(dǎo)出后在同樣測(cè)試集上 mAP 掉到 0.85而且 Open 類的偏移最嚴(yán)重。原因YOLOv8 的檢測(cè)頭輸出需要經(jīng)過解碼步驟才能變成坐標(biāo)PyTorch 里是在模型內(nèi)部完成的轉(zhuǎn)到 ONNX 時(shí)如果固定了 batch size 或者輸入尺寸解碼邏輯不變但坐標(biāo)精度會(huì)受影響。更隱蔽的問題是導(dǎo)出時(shí)沒有固定opset版本某些算子在不同版本實(shí)現(xiàn)不一致。解決導(dǎo)出時(shí)加上dynamicTrue保持動(dòng)態(tài)尺寸opset12是兼容性較好的版本。部署端做推理時(shí)輸入圖像 Resize 的方式必須和訓(xùn)練時(shí)一致——YOLOv8 訓(xùn)練時(shí)用 letterbox 保持比例推理時(shí)如果直接拉伸坐標(biāo)會(huì)整體偏移。寧可多寫幾行預(yù)處理代碼也不要在部署端省這一步。yolo export modeloyster_runs/baseline/weights/best.pt formatonnx opset12 dynamicTrue提示部署端最容易翻車的不是模型而是預(yù)處理管線。驗(yàn)證集上一切正常、實(shí)機(jī)上全歪先檢查圖像的 Resize 方式是否和訓(xùn)練時(shí)一致。5. 進(jìn)階用法用開合比例與置信度追蹤把檢測(cè)結(jié)果變成養(yǎng)殖健康度指標(biāo)模型跑通了檢測(cè)框也畫出來了但「能檢測(cè)」和「能指導(dǎo)養(yǎng)殖決策」之間還差一步。這一步我通常分三個(gè)層次來做置信度加權(quán)處理、群體狀態(tài)統(tǒng)計(jì)、時(shí)間維度上的趨勢(shì)判斷。第一層置信度加權(quán)替代硬閾值。對(duì)單張圖片上的多個(gè)目標(biāo)如果只是簡(jiǎn)單統(tǒng)計(jì) Open 類個(gè)數(shù)很容易被邊框誤檢干擾。我的做法是對(duì)每個(gè)目標(biāo)的置信度做加權(quán)計(jì)數(shù)——置信度高于 0.7 的算完整權(quán)重0.3 到 0.7 之間按置信度本身打折低于 0.3 直接忽略。這樣可以避免「一個(gè)高置信度誤檢框抵掉三個(gè)低置信度正確框」的問題。單幀的牡蠣目標(biāo)數(shù)量通常在 3 到 8 個(gè)之間人工復(fù)核成本不高模型輸出和人工抽查的對(duì)比也有條件做。第二層群體狀態(tài)指標(biāo)。單個(gè)牡蠣開合是行為整批牡蠣的開合分布才是健康度指標(biāo)。我一般按養(yǎng)殖池或養(yǎng)殖籠為統(tǒng)計(jì)單元計(jì)算三類占比def compute_health_metrics(results, closed_idx0, indeterminate_idx1, open_idx2): total len(results.boxes) if total 0: return {open_ratio: 0, indeterminate_ratio: 0, closed_ratio: 0} open_count 0 indeterminate_count 0 closed_count 0 for box in results.boxes: cls int(box.cls[0]) conf float(box.conf[0]) weight 1.0 if conf 0.7 else conf if cls open_idx: open_count weight elif cls indeterminate_idx: indeterminate_count weight else: closed_count weight return { open_ratio: open_count / total, indeterminate_ratio: indeterminate_count / total, closed_ratio: closed_count / total, }參數(shù)說明conf 0.7給滿權(quán)重0.3 conf 0.7按實(shí)際置信度打折conf 0.3直接跳過。這套邏輯下Open 占比高不一定是壞事——牡蠣在攝食時(shí)就是張開的但要結(jié)合時(shí)間段判斷。如果某個(gè)養(yǎng)殖籠全天的 Open 占比持續(xù)高于 0.5且伴隨 Closed 占比下降大概率是應(yīng)激反應(yīng)需要檢查水質(zhì)。第三層時(shí)間維度趨勢(shì)分析。單張照片只能反映一個(gè)瞬間養(yǎng)殖監(jiān)測(cè)的價(jià)值在于趨勢(shì)。我的做法是對(duì)同一區(qū)域每 10 分鐘拍一張連續(xù)采樣 1 小時(shí)把 6 幀的檢測(cè)結(jié)果做滑動(dòng)窗口投票。牡蠣開合是緩慢過程單幀的 Indeterminate 狀態(tài)不需要干預(yù)但如果連續(xù) 30 分鐘一個(gè)牡蠣都被判為 Indeterminate就觸發(fā)預(yù)警人工復(fù)核。實(shí)現(xiàn)上不需要額外的模型只需要對(duì)檢測(cè)結(jié)果做時(shí)間維度的聚合每幀推一個(gè)狀態(tài)按狀態(tài)變化頻次做決策。這套方法跑通以后檢測(cè)模型就不再是「畫框工具」而是養(yǎng)殖管理系統(tǒng)的數(shù)據(jù)入口。你也可以在這個(gè)基礎(chǔ)上繼續(xù)擴(kuò)展把 Open 占比和水溫、溶解氧做關(guān)聯(lián)分析或者把多個(gè)攝像頭的檢測(cè)結(jié)果匯總成整個(gè)養(yǎng)殖區(qū)的健康熱力圖。數(shù)據(jù)集的邊界是一個(gè)固定的大小但使用場(chǎng)景可以繼續(xù)向兩端延伸。我從這類水產(chǎn)數(shù)據(jù)集上最深的教訓(xùn)是模型的精度遠(yuǎn)不如數(shù)據(jù)的場(chǎng)景覆蓋重要。第一版模型訓(xùn)完我先花了一周把養(yǎng)殖現(xiàn)場(chǎng)的各種光照條件都拍了一遍用這些真實(shí)負(fù)樣本做增強(qiáng)效果比任何網(wǎng)絡(luò)結(jié)構(gòu)改動(dòng)都明顯。從那以后我凡是用水產(chǎn)類數(shù)據(jù)集訓(xùn)練第一件事永遠(yuǎn)是拉一遍三個(gè)類別的置信度分布先看清楚哪里是模型真能學(xué)會(huì)的哪里是標(biāo)注本身的不確定性——先分清楚這兩類后面調(diào)參才不至于自己騙自己。希望這份數(shù)據(jù)集和使用流程能讓你少走幾步我走過的彎路。本文還有配套的精品資源點(diǎn)擊獲取