YOLOv8改进策略|实战应用案例| ⽤于检测内陆⽔道驳船交通的交通摄像头，船只检测 ， YOLOv8、YOLOv5、SSD 和 EfficientDet 模型对比_yolov8与ssd哪个更好

        内陆⽔道对于货运⾄关重要，但⽤于监测其性能和货运船舶（例如驳船）使⽤情况的⼿段有 限。虽然可以通过⾃动识别系统 (AIS) 公开追踪拖船和拖船等船舶的⽅法，但追踪这些关键海上⾼速公 路驳船上运载的货物吨位和商品流量的⽅法却不存在，尤其是实时追踪设置。本⽂开发了⼀种使⽤具 有适当视⻆的现有交通摄像机来检测内陆⽔道驳船交通的⽅法。采⽤深度学习模型，特别是 You Only Look Once (YOLO)、Single Shot MultiBox Detector (SSD) 和 EfficientDet。该模型从视频中检测船 只和/或驳船的存在并执⾏分类（⽆ 船只或驳船、⽆驳船的船只、有驳船的船只和驳船）。从密西西 ⽐河和俄亥俄河沿岸的五个现有交通摄像头收集了 331 张带注释图像的数据集，⽤于模型开发。 YOLOv8 的 F1 分数为 96%，优于 YOLOv5、SSD 和 EfficientDet 模型，分别为 86%、79% 和 77%。 对天⽓条件（雾和⾬）和位置（密西西⽐河和俄亥俄河）进⾏了敏感性分析。使⽤背景扣除技术对不 同位置的视频图像进⾏标准化，以进⾏位置敏感性分析。该模型可⽤于检测沿河段驳船的存在，可⽤ 于匿名⼤宗商品跟踪和监控。除了美国陆军⼯程兵团等联邦机构进⾏的运营和维护规划之外，此类数 据对于公共交通机构进⾏的⻓期交通规划⼯作也很有价值。

目录

介绍

背景

⽅法

数据集和数据收集

模型选择和迁移学习

超参数调优

模型训练和验证

空间可迁移性分析框架

结果与讨论