sonia2025/3kumay-yolov9c-lastpt

🐻 YOLOv9c 台灣黑熊物件偵測模型

本專案使用YOLOv9c最新架構，結合Optuna超參數調優，專為台灣黑熊在野外環境中的影像辨識、保育與預警而設計。 研究歷程完整紀錄於效能分析報告並集結多輪訓練經驗，透過資料精選、典型負樣本加入與多種資料增強，使模型泛化能力、精準率與實用性大幅提升。

專案特色

• 先進架構：採用 YOLOv9c，較 YOLOv8s 更適應小目標、遮蔽物偵測與真實場域多變環境。
• 超參數優化：訓練參數依據 Optuna 尋找最佳解並結合前人經驗微調，追求更高精熟度。
• 重視泛化實力：加入多類背景負樣本與多樣場景，兼顧 Recall 與 Precision 實戰應用表現。
• 完整記錄分析：訓練過程、指標曲線與調參心得皆收錄於專案文件及效能報告中。

數據集簡介

• 來源：台灣野生動物保育協會、新聞影音、野外拍攝圖、網路公開資料
• 內容：主題以台灣黑熊為主，正樣本涵蓋原生棲地影像，負樣本增添相似動物（如猴、山羌）及不同場景動物
• 標註規範：大量人工多輪質檢、框選規格統一，確保訓練資料品質
• 規模：最終訓練集超過 20,000 張圖片

重要訓練超參數與優化策略

• 核心訓練指令（可參考訓練 notebook 或 Ultralytics 命令格式）： yolo task=detect mode=train model=yolov9c.pt data=blackbear_aug.yaml
  epochs=300 patience=40 time=10 imgsz=640 batch=32 device=0,1 workers=16
  optimizer=AdamW lr0=0.00038 lrf=0.08 cos_lr=True weight_decay=0.0006 momentum=0.937
  warmup_epochs=5 warmup_momentum=0.8 warmup_bias_lr=0.1
  single_cls=True pretrained=True deterministic=True
  degrees=5 translate=0.3 scale=0.24 fliplr=0.25 flipud=0.0
  mosaic=0.125 mixup=0.08 close_mosaic=50 auto_augment=randaugment erasing=0.4
  box=0.05 cls=1.2 dfl=1.5 name=kumay_v9c_optuna project=5Kumay_yolov9c
• 優化器 AdamW：使收斂更穩定，較 SGD 表現優
• 低學習率 lr0=0.00038：結合餘弦退火，避免震盪與過快收斂
• 資料增強：mosaic、mixup、RandAugment、Cutout 增強多樣性且避免過度擬合
• 損失權重調整：box=0.05（抑定位誤差）、cls=1.2（提高目標判別）、dfl=1.5
• 正/負樣本調和：訓練集加入多場景負樣本，有效降低誤報

模型效能指標

指標	第一次訓練	第二次訓練	第三次訓練	第四次訓練
mAP@0.5	0.9692	0.9800	0.9549	0.9532
mAP@0.5:0.95	0.7918	0.8062	0.7763	0.7638
Precision	0.9723	0.9732	0.9596	0.9255
Recall	0.9505	0.9362	0.9211	0.9116

• mAP、Precision、Recall：多次訓練均維持高水準，加入負樣本後誤報率明顯降低、泛化能力明顯提升。
• F1 Score：O.6532（第四次驗證），顯著超過過往版本

部署建議

• Kaggle 雙 GPU，batch 設 32 符合 VRAM 限制，workers 設為 16 加速資料分派
• 可串接 Wandb 監控訓練曲線與早停收斂
• 部署到 HuggingFace、Github、Render 形成可擴充前後端架構
• 支援前端 Flask、HTML、Firebase 等多平台部署方式

貢獻與參考資料

• YOLO官方文件、Ultralytics社群
• Optuna最佳化調參經驗分享
• 台灣野生動物保育協會、研究者團隊自蒐資料
• 完整訓練日誌與手稿心得收錄於專案資料夾

本專案歡迎有興趣投身野生動物AI應用領域的夥伴參與與討論！

Made with ❤️ for Taiwan's Black Bear Conservation.