"Poseidon: 用于海事环境的YOLOv8训练与数据增强工具"

本文介绍了在特定领域进行深度学习架构训练时面临的挑战，特别是在可用数据集有限且不平衡的情况下。以海事环境中的航空图像实时目标检测为例，虽然SeaDronesSee是目前最广泛和最完整的数据集，但由于严重的类别不平衡，使得训练变得困难。为了解决这一问题，本文介绍了一种名为POSEIDON的数据增强工具，专门针对物体检测数据集。 POSEIDON的方法通过将原始训练集中的物体和样本结合起来，并利用图像元数据作出知情决策，以解决数据集不平衡的问题。作者在YOLOv5和YOLOv8上评估了POSEIDON的方法，并证明了它的优越性，比如相对于其他平衡技术，如错误权重，POSEIDON分别提高了2.33%和4.6%的性能。 这篇文章的贡献体现在了解决海事环境中小目标检测数据集不平衡问题的方面。作者的方法通过数据增强工具POSEIDON，充分利用了原始训练集中的信息，提高了目标检测的性能。这对于海事领域的实时目标检测具有非常重要的意义，可以提高海上航行安全性和效率。 整篇文章的结构比较清晰，作者首先介绍了海事环境中实时目标检测的重要性和挑战，然后详细阐述了POSEIDON的数据增强方法，并介绍了在YOLOv5和YOLOv8上的评估结果。最后，作者还提供了引用文献和相关信息，方便读者深入了解该研究。 作者在文章中提到了SeaDronesSee数据集，并强调了该数据集受到严重的类别不平衡的影响，这使得正常的训练和应用变得复杂。POSEIDON的方法对于解决这一问题提供了一种有效的途径，通过结合原始训练集中的物体和样本，并利用图像元数据进行知情决策，提高了目标检测的性能。 总的来说，这篇文章对于解决海事环境中实时目标检测的数据集不平衡问题提供了一种有效的方法，POSEIDON的数据增强工具在YOLOv5和YOLOv8上的评估结果表明了其优越性。文章的结构清晰，内容详实，对于相关领域的研究者具有一定的参考价值，可以为实际应用提供一些有益的启示。