YOLO1D - 高性能时域数据检测模型

🚀 项目简介

YOLO1D 是一个基于 YOLOv8 架构思想设计的1D卷积神经网络模型，专门用于时域数据的分类与检测任务。它将YOLO强大的检测能力扩展到一维时间序列数据，能够在复杂的信号中准确定位和分类感兴趣的事件或模式。

本项目经过了大规模重构，引入了统一的训练器、配置管理、混合精度训练和高级数据增强等功能，旨在提供一个高性能、易于使用和扩展的时域检测框架。

📁 项目结构

yolo1d/
├── trainer_base.py          # 训练器基类
├── trainer_amp.py           # 混合精度训练器
├── train.py                 # 统一训练脚本
├── data_augmentation.py     # 数据增强模块
├── test_improvements.py     # 测试脚本
├── yolo1d_model.py          # 模型定义
├── yolo1d_loss.py           # 损失函数
├── dataset_generator.py     # 数据集生成
├── inference_yolo1d.py      # 推理脚本
├── config.yaml              # 配置文件
├── requirements.txt         # 依赖包
└── README.md                # 项目说明文档

🛠️ 快速开始

1. 环境设置

# 创建并激活虚拟环境
conda create --name yolo1d python=3.9 -y
conda activate yolo1d

# 安装依赖
pip install -r requirements.txt

2. 生成数据集

python dataset_generator.py

3. 训练模型

我们提供了一个统一的训练脚本，支持从配置文件启动、恢复训练和自定义实验名称。

# 使用默认配置进行训练
python train.py

# 指定配置文件
python train.py --config config.yaml

# 从断点恢复训练
python train.py --resume best_model.pth

# 指定实验运行名称
python train.py --run-name my_experiment

4. 推理预测

python inference_yolo1d.py --model best_model.pth

🧠 核心特性与改进

1. 统一训练器架构

通过模块化的基类 (BaseTrainer) 和子类 (YOLO1DTrainer, YOLO1DAMPTrainer) 设计，实现了代码的高度复用和功能的轻松扩展。

2. 配置文件系统

所有模型、训练和数据相关的参数都通过 config.yaml 集中管理，使实验配置和复现变得简单。

3. 增强的数据增强

内置了专为时域数据设计的丰富数据增强方法，如时间扭曲、频域掩码、Mixup等，可通过配置 (light, medium, heavy) 或自定义参数调用。

4. 混合精度训练 (AMP)

集成了自动混合精度训练，可将训练速度提升1.5-2倍，显存使用减少约50%，而几乎不损失精度。

5. 早停机制

自动监控验证集性能，在模型停止改进时提前终止训练，防止过拟合，节约计算资源。

6. 详细的监控与日志

使用 TensorBoard 记录训练过程中的损失、mAP、学习率等关键指标，并提供结构化的日志输出。

tensorboard --logdir runs

📝 配置说明

核心配置位于 config.yaml 文件中。

# 模型配置
model_size: 'n'          # 模型尺寸 (n, s, m, l, x)
num_classes: 2           # 类别数
input_channels: 1        # 输入通道数
input_length: 1024       # 输入序列长度

# 数据配置
dataset_path: 'sin_wave_dataset'
num_workers: 4

# 训练配置
epochs: 100
batch_size: 16
learning_rate: 0.001
scheduler: 'cosine'      # 学习率调度器 ('cosine', 'onecycle', 'step')
patience: 10             # 早停耐心值

# 损失函数超参数
hyp:
  box: 1.0  # 边界框损失权重
  cls: 3.0  # 分类损失权重
  dfl: 0.8  # DFL损失权重

🎯 模型性能

模型尺寸	参数量	推理速度	相对mAP
nano (n)	0.5M	最快	基准
small (s)	2M	快	+5%
medium(m)	5M	中等	+10%
large (l)	10M	慢	+15%
xlarge(x)	15M	最慢	+20%

💡 应用场景

• 异常检测: 在工业传感器、金融交易等时间序列中检测异常事件。
• 信号分析: 从连续信号中识别和定位特定的模式（如通信信号）。
• 生物医学: 分析ECG、EEG等生理信号，检测心律失常或癫痫发作。
• 语音处理: 实现语音活动检测（VAD）或关键字识别。
• 工业监控: 根据振动或声音信号监测设备状态。

🤝 贡献指南

我们欢迎任何形式的贡献！请遵循代码和提交规范。

代码规范

• 使用类型注解
• 添加详细的文档字符串
• 遵循PEP 8规范

提交规范

feat: 添加新功能
fix: 修复bug
docs: 更新文档
style: 代码格式调整
refactor: 代码重构
test: 添加测试

�� 许可证

No License