探索数据集合成的有效性:以果园苹果检测为例
计算机视觉与模式识别
2023-06-22 v1
摘要
深度目标检测模型近年来取得显著成功,但一大障碍犹存:需要大量训练数据。获取此类数据过程繁琐且主要耗时,这促使人们探索合成数据生成技术等新研究途径。本研究中,我们探索使用Stable Diffusion 2.1-base生成用于目标检测的苹果树合成数据集的可用性,并将其与在真实世界数据上训练的基线模型进行比较。通过提示工程并利用先前训练的Stable Diffusion模型创建真实苹果树数据集后,对该自定义数据集进行标注,并通过训练YOLOv5m目标检测模型在真实世界苹果检测数据集中预测苹果来评估。选择YOLOv5m因其推理快速且硬件需求极低。结果表明,在真实世界图像集上评估时,基于生成数据训练的模型性能略逊于基于真实图像训练的基线模型。然而,这些发现仍极具前景,因为平均精度差异分别仅为0.09和0.06。定性结果表明,除重度遮荫情况外,模型能准确预测苹果位置。这些发现说明了合成数据生成技术作为目标检测模型大量训练数据收集的可行替代方案的潜力。
引用
@article{arxiv.2306.11763,
title = {Exploring the Effectiveness of Dataset Synthesis: An application of Apple Detection in Orchards},
author = {Alexander van Meekeren and Maya Aghaei and Klaas Dijkstra},
journal= {arXiv preprint arXiv:2306.11763},
year = {2023}
}