Lnton羚通算法算力云平台石油化工领域生产作业流程合规算法检测

Lnton羚通的算法算力云平台有以下显著特点：高性能、高可靠性、高可扩展性和低成本。用户可以通过该云平台获取高效、强大的算法计算服务，快速而灵活地运行各种复杂的计算模型和算法。该平台广泛涵盖机器学习、人工智能、大数据分析和图像识别等领域。此外，云平台还提供丰富的算法库和工具，支持用户上传和部署自己的算法模型，以满足不同用户的需求。用户可以方便地使用这些工具和库来进行算法开发和算法优化，从而提高计算效率和准确性。

石油化工领域的生产作业流程合规检测采用了yolov8视觉数据智能分析技术。该技术可以对生产作业流程进行实时监测和合规性检测。通过与预设标准进行比对，系统可以检测出不合规的操作或异常情况，并及时发出警报，提示相关人员采取措施。

现代目标检测器通常在正负样本分配策略上进行优化。一些典型的目标检测器如YOLOX的simOTA、TOOD的TaskAlignedAssigner和RTMDet的DynamicSoftLabelAssigner，这些assigner都采用了动态分配策略。然而，yolov7仍然使用静态分配策略。为了提高分配策略的性能，YOLOv8算法直接引入了TOOD的TaskAlignedAssigner。TaskAlignedAssigner的匹配策略可以简单总结为：根据分类和回归的分数加权选择正样本。

Loss计算包括分类和回归两个分支，不再使用之前的objectness分支。分类分支仍然采用BCE Loss，回归分支则使用了Distribution Focal Loss中提出的积分形式表示法，并结合了CIoU Loss。这三个Loss会根据一定的权重比例进行加权。数据增强方面与yolov7相差不大，只是引入了YOLOX中提出的在最后10个epoch关闭Mosaic的操作。考虑到不同模型应该采用不同强度的数据增强，因此针对不同大小的模型，会修改部分超参数，比如大模型会开启MixUp和CopyPaste。

YOLOv8的推理过程与YOLOv7几乎相同，唯一的区别在于前面需要对Distribution Focal Loss中的积分表示形式的bbox进行解码，将其转换成常规的4维bbox，后续的计算过程与YOLOv7相同。

(1) 将积分形式的bbox转换为4维bbox格式

对Head输出的bbox分支进行转换，利用Softmax和Conv计算将积分形式转换为4维bbox格式。

(2) 维度变换

YOLOv8输出的特征图尺度为80x80、40x40和20x20，Head部分输出分类和回归共6个尺度的特征图。将3个不同尺度的类别预测分支和bbox预测分支进行拼接，并进行维度变换。为了便于后续处理，将原先的通道维度置换到最后，类别预测分支和bbox预测分支的shape分别为(b, 80x80+40x40+20x20, 80)和(b, 8400, 4)。

(3) 解码还原到原图尺度

对分类预测分支进行Sigmoid计算，而bbox预测分支需要进行解码，将其还原为真实的原图解码后的xyxy格式。

(4) 阈值过滤

遍历每张图中的每个检测框，在进行阈值过滤时考虑了multi_label和nms_pre，以确保过滤后的检测框数目不会超过nms_pre。

(5) 还原到原图尺度和nms

基于前处理过程，将剩下的检测框还原到网络输出前的原图尺度，然后进行非极大值抑制（nms）即可。最终输出的检测框数量不能超过max_per_img。

Lnton羚通的算法算力云平台具有以下突出特点：高性能、高可靠性、高可扩展性和低成本。用户可以通过该云平台快速获取高效、强大的算法计算服务，并且能够灵活地执行各种复杂的计算模型和算法，涵盖机器学习、人工智能、大数据分析和图像识别等广泛领域。此外，云平台还提供了丰富的算法库和工具，支持用户上传和部署自己的算法模型，以满足不同用户的需求。