本文主要内容:详细介绍了水族馆动物识别的整个过程，从创建数据集到训练模型再到预测结果全部可视化操作与分析。
文末有数据集获取方式，请先看检测效果
-
现状
随着水族馆行业的快速发展，对动物识别的需求日益增加。水族馆需要准确识别动物种类、数量、行为等，以便于进行动物管理、生态保护、科学研究等工作。但水族馆环境复杂，光照、水质等因素可能影响识别效果。同时，部分海洋观赏动物具有相似的外观特征，增加了识别的难度。
基于现在的水族馆动物识别现状，结合YOLO算法下的目标检测，可以实现对水族馆中各类动物的高效、准确识别，为水族馆动物识别提供了新的解决方案。
-
数据集来源
公开数据集。此数据集共有它包括638张图片，标签类型有7种：fish, jellyfish, penguins, sharks, puffins, stingrays, starfish。
-
操作步骤与结果分析
1.创建数据集：点击创建数据集，填入基本信息，上传图片数据压缩包和标签文件；
2.模型训练：选择任务类型、模型算法以及实验参数；
如果你觉得数据集数量较少，可以在开始训练前点击“增强算法”，增加数据集。平台支持变换、模糊变换、裁剪变换、几何变换等多种增强方法；
3.任务训练结束后，可查看任务是否成功及训练成功的指标数；以及数据详情、实验详情等；
还可以查看训练集与验证集的图片、标签数量和占比等信息；（标签类型0-6:fish, jellyfish, penguins, sharks, puffins, stingrays, starfish）
模型训练过程中会输出日志，可以查看并跟踪在模型训练过程中出现的问题；
还可查看混淆矩阵图的可视化图像，用于展示模型在不同类别上的分类效果；
4.模型转换：Coovally平台支持云边端转换，此次模型转换成onnx格式，平台还支持TensorRT格式；
5.模型部署：点击模型部署，完成后即可选择模型，上传图片进行预测；
图片1预测结果：
图片2预测结果：
图片3预测结果：
6.模型下载与分享：用户可根据自己的需求在Coovally平台进行下载和分享。
综上，本博文训练得到的YOLOv8m模型在数据集上表现良好，具有较高的检测精度，可以在实际水族馆动物识别场景中应用。感兴趣的朋友可以关注我私信获取数据集。
另外，Coovally是一个AI项目开发与应用平台，就是本博文演示部分的展示，从上传数据集到模型预测与下载，快速构建AI解决方案。更多信息可以搜索https://www.coovally.com或关注跑码地Coovally AI公众号。
