基于机器学习的LOCO数据集批判性评估

目的：物体检测在自动化系统中正通过机器学习技术快速发展。训练算法需要准备良好的数据。因此，本文的目的是描述对所谓的物流情境中的物体（LOCO）数据集的重新评估，该数据集是 intra logistics 领域首个用于物体检测的数据集。方法：我们采用包含三个步骤的实验研究方法来评估LOCO数据集。首先，分析GitHub上的图像以更好地理解该数据集。其次，使用Google Drive Cloud进行训练以重访算法实现与训练。最后，检验LOCO数据集是否能取得与原始出版物相比相同的训练结果。发现：物体检测中的常用基准平均精度（mAP）在我们的研究中达到64.54%，较LOCO作者初始研究的41%有显著提升。然而，特别是在叉车和托盘车等物体类型方面仍存在改进潜力。原创性：本文提出了首个针对intralogistics物体检测LOCO数据集的批判性复现研究。它表明基于LOCO以更好的超参数进行训练甚至能取得比原出版物更高的精度。不过，LOCO数据集仍有进一步改进空间。