快速开始
1. 安装
同yolov5
2. 推理
推理示例
```bash $ python detect.py --source data/images --weights m-obj365.pt --unknownconf 0.45 --conf 0.25 $ python detect.py --source data/images --weights s-coco.pt --unknownconf 0.25 --conf 0.25 ''' 参数解读 unknownconf: 当网络预测的“不知道”分数大于此阈值时预测为不知道，否则输出已知分类。 1）与已知类精度关系：当已知类精度越高时，“不知道”在已知类上发生的情况将越少，预测未知类时可以设定更低的unknownconf而不影响已知类性能。 2）与训练集大小关系：训练集越丰富，预测未知类的能力越强 注：可根据需求调节此参数，需要注意的是由于资源问题，在objects365数据集下训练的模型m-obj365.pt仅在小模型下训练了30轮，精度较低，建议采用较高阈值。 其他参数： 1）非极大值抑制：默认类内NMS（非极大值抑制）iou阈值为0.45，参数为iou；同时进行类间NMS，iou阈值为0.75，后续将提供参数接口。 2）不知道的物体类名：可在detect文件中修改，后续将提供接口。 ''' ```视频展示
1. [demo1](https://b23.tv/MfpEmAm) 2. [demo2](https://www.bilibili.com/video/BV1Nm4y1P7UW/?share_source=copy_web&vd_source=4f63c00122ad06d30c832c5c6f903637)3. 预训练模型
coco数据集性能
| Model | size (pixels) |
mAPval 0.5:0.95 |
mAPval 0.5 |
|---|---|---|---|
| yolov8-n | 640 | 37.3 | 52.6 |
| OW-yolov8-n | 640 | 37.9 (only known 38) | 53.7 (only known 53.9) |
| OW-yolov8-n-la | 640 |
la : label attention
4. 后续功能
图像分类、实例分割