工作描述
程式語言：Python 3
編輯環境：Visual Studio Code、Google Colab Notebook
硬體設備：
-
1509b實驗室機器（遠端連線使用）
-
Windows 10 專業版
-
Intel Core i7-10700 @ 2.90GHz
-
RAM：128 GB
-
NVIDIA GeForce RTX 3080
-
-
Google Colab（線上使用）
-
免費版
-
T4 GPU
-
主題定案、人工智慧的初步了解與應用
-
專題主題—考慮可行性與困難點
-
練習python讀檔、畫圖、存檔
-
瞭解CNN等相關模型、數字辨識
2023 Mar.-May.
資料集製作
YOLOv7模型訓練
-
資料集前處理
-
滑動切割圖片，每張512*512
-
Label：滑動切割座標點，並轉為模型訓練標籤格式
-
-
評估指標：
-
F-measure
-
預測點與答案點距離20像素內視為正確
-
-
模型訓練測試
-
拼接模型訓練測試後的小圖與座標
-
模型評估：計算時去除重疊處重複標框
-
2023 Jun.-Sep.
YOLOv7
模型實驗調適
2023 Oct.-Dec.
-
單類別訓練
-
雙類別訓練
-
無權重訓練
-
資料集分配順序相異實驗
-
conf調整
YOLOv7
資料擴增
-
植株翻轉實驗
-
水平、鉛直翻轉50%資料
-
-
植株縮放實驗
-
0.9-1.1縮放每株植株
-
2024 Jan.-Mar.
新資料集製作
YOLOv9模型訓練
-
資料集
-
資料集圖片數量增加
-
k-fold
-
-
實驗
-
YOLOv9與YOLOv7比較訓練
-
穩定模型Loss值實驗
-
CBAM、CLAHE導入實驗
-
2024 Mar.-Nov.
目前實驗進度
01
單類別訓練
02
雙類別訓練
03
loss值穩定
04
v7/v9比較實驗
單類別最佳
-
小圖測試
-
評估指標
-
Precision : 0.9058
Recall : 0.9387
F1 Score : 0.9220
-
CLAHE對比增強
有權重
-
YOLOv7
-
小圖測試
-
評估指標
-
Precision: 0.9032
-
Recall: 0.9593
-
F1 Score: 0.9304
-
大框縮小
植株縮放0.9~1.1
有權重
-
小圖測試
-
評估指標
-
Precision : 0.9100
Recall : 0.9529
F1 Score : 0.9309
-
CBAM(七層)導入
無權重
雙類別最佳
-
小圖測試
-
評估指標
-
Precision: 0.9124
-
Recall: 0.9097
-
F1 Score: 0.9110
-
大框縮小為100
有權重
-
小圖測試
-
評估指標
-
Precision: 0.8929
-
Recall: 0.9258
-
F1 Score: 0.9090
-
大框縮小
植株縮放0.9~1.1
有權重