利用YOLOv8探索迁移学习在结肠镜图像息肉检测中的应用

深度学习方法在目标检测任务中表现出强大的性能；然而，它们在训练数据有限的情况下学习特定领域应用的能力仍然是一个重大挑战。迁移学习技术通过利用在相关数据集上预训练获得的知识来解决这个问题，从而能够更快、更高效地学习新任务。找到合适的预训练数据集对于决定迁移学习的成功和整体模型性能起着关键作用。在本文中，我们研究了在七个不同数据集上预训练YOLOv8n模型的影响，评估了它们迁移到息肉检测任务时的有效性。我们比较了包含多样化物体的大型通用数据集是否优于具有与息肉相似特征的特定领域数据集。此外，我们还评估了数据集大小对迁移学习效果的影响。在息肉数据集上的实验表明，在相关数据集上预训练的模型始终优于从头开始训练的模型，突显了在具有共享领域特定特征的数据集上进行预训练的优势。