Day17

不知道跑了个什么模型，模型名是yolov8-cb，只能从模型结构判断可能是yolov8-cbam

是拿的hic里的cbambottleneck改的，记录一下结果

Model	Parameters	GFLOPs	Train Epochs	Best Epochs	mAP@50:95	mAP50
yolov8m-cbam	49431668	193.8	168	118	0.24842	0.41506
yolov8m	25902640	79.3	174	124	0.25743	0.42222
yolov8m-p2	25544952	100.6	177	127	0.29308	0.47413
yolov8m-p234	19093168	96.4	162	112	0.29442	0.47566
yolov8m-cb	29306836	82.1	169	119	0.25789	0.42233
yolov8m-cbam-p234	22497364	99.2	170	170	0.29072	0.47285

哪怕是用了别人的cbam，对于涨点也毫无帮助，网上找了一些资料，推断应该是yolo8m已经足够拟合训练数据，所以cbam毫无作用甚至有可能负优化，用 yolov8n会不会有效果

很奇怪的一点是ultralytics提供的cbam对参数量的提升也太大了，需要再查查

接下来就是backbone的替换，需要找更多的代码来做参考

目前唯一的进展就是检测头对精度有较大提升

整理现有的模型和数据之后选出最优的保留，再做进一步的实验

经过ultralytics和hic实现的cbam对比实验可以发现，两者几乎差不多，之前的参数量暴涨的原因也发现了，是cbam的参数设置的原因看来只需要留下官方实现即可

接下来对cbam的实验集中在放置的位置和参数设置对精度的影响即可

对所有模型重新训练一遍，保留最终的数据，这次用s而不是m