在数字经济浪潮的推动下，全力发展新质生产力已成为当今社会发展的主旋律。各行各业正经历着前所未有的变革，其中，电商行业作为互联网经济的重要组成部分，更是以惊人的速度重塑着商业格局与消费模式。AI智能化技术的深度融合，不仅极大地提升了电商平台的运营效率与服务质量，更为保障消费者权益开辟了新的路径。
随着互联网技术的飞速发展，电商行业迎来了前所未有的繁荣。电商平台如雨后春笋般涌现，为成千上万的商家提供了展示商品、触达消费者的广阔舞台。网红经济、网商经济的兴起，更是让商品流通更加高效，市场活力得到充分释放。然而，在这一片繁荣景象之下，假冒伪劣、仿冒产品等问题也随之而来，成为制约电商行业健康发展的顽疾。面对这一挑战，AI智能化技术成为了破局的关键。通过深度学习、图像识别等先进技术，电商平台能够实现对商品信息的精准识别与高效审核。本文所述的海量产品logo自动化智能检测识别系统，正是这一理念的生动实践。该系统在商家提交商品信息时，自动对商品logo进行扫描分析，快速匹配商家的售货资格，有效拦截非法货源的录入请求。这一举措，不仅从源头上杜绝了假冒伪劣产品的流入，还为消费者营造了一个更加安全、放心的购物环境。AI智能化技术的应用，不仅极大地提升了审核效率与准确性，更解放了平台审核人员的人力。传统的人工审核方式不仅耗时费力，且难以应对海量数据的处理需求。而智能检测识别系统则能够实现全天候、高响应、高精度的自动化审核，确保每一笔交易都经过严格把关。这不仅减轻了人工审核的负担，还提升了平台的整体运营效率与服务质量。
本文正是基于这样的考虑，想要从实践性质实验的角度出发开发构建大规模的生活场景下常见商品商标logo智能化检测分析系统，首先看下实例效果：
在我们前面的系统博文中，也有做过一些关于常见商品商标logo检测分析的工作，但是所涉及的商品logo类别数量是比较少的，且构建的数据量也不大，感兴趣的话可以自行移步阅读即可：
《看图找LOGO，基于YOLOv5系列【n/m/x】参数模型开发构建生活场景下的商品商标LOGO检测识别系统》
《看图找LOGO，基于YOLOv7【tiny/l/x】模型开发构建生活场景下的商品商标LOGO检测识别系统》
《看图找LOGO，基于YOLOv8全系列【n/s/m/l/x】参数模型开发构建生活场景下的商品商标LOGO检测识别系统》
《看图找LOGO，基于YOLOv9系列【gelan/gelan-c/gelan-e/yolov9/yolov9-c】参数模型开发构建生活场景下的商品商标LOGO检测识别系统》
本文的主要想法是想要基于经典的的YOLOv8系列中最为轻量级的n系列的模型来开发构建公共生活场景下的常见商品商标logo智能化检测识别系统，接下来看下实例数据：
如果对YOLOv8开发构建自己的目标检测项目有疑问的可以看下面的文章，如下所示：
《基于YOLOv8开发构建目标检测模型超详细教程【以焊缝质量检测数据场景为例》
非常详细的开发实践教程。本文这里就不再展开了，因为从YOLOv8开始变成了一个安装包的形式，整体跟v5和v7的使用差异还是比较大的。
非常详细的开发实践教程。本文这里就不再展开了，因为从YOLOv8开始变成了一个安装包的形式，整体跟v5和v7的使用差异还是比较大的。
YOLOv8核心特性和改动如下：
1、提供了一个全新的SOTA模型（state-of-the-art model），包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于YOLACT的实例分割模型。和 YOLOv5 一样，基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型，用于满足不同场景需求
2、骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想，将 YOLOv5 的 C3 结构换成了梯度流更丰富的 C2f 结构，并对不同尺度模型调整了不同的通道数，属于对模型结构精心微调，不再是一套参数应用所有模型，大幅提升了模型性能。
3、Head 部分相比 YOLOv5 改动较大，换成了目前主流的解耦头结构，将分类和检测头分离，同时也从Anchor-Based 换成了 Anchor-Free
4、Loss 计算方面采用了TaskAlignedAssigner正样本分配策略，并引入了Distribution Focal Loss
5、训练的数据增强部分引入了 YOLOX 中的最后 10 epoch 关闭 Mosiac 增强的操作，可以有效地提升精度
官方项目地址在这里，如下所示：
目前已经收获超过2.6w的star量了，马上就要突破2.7w了。
官方提供的基于COCO数据集的预训练模型如下所示：
| Model | size (pixels) | mAPval 50-95 | Speed CPU ONNX (ms) | Speed A100 TensorRT (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 0.99 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 1.20 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 1.83 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 2.39 | 43.7 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 3.53 | 68.2 | 257.8 |
另外一套预训练模型如下：
| Model | size (pixels) | mAPval 50-95 | Speed CPU ONNX (ms) | Speed A100 TensorRT (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 18.4 | 142.4 | 1.21 | 3.5 | 10.5 |
| YOLOv8s | 640 | 27.7 | 183.1 | 1.40 | 11.4 | 29.7 |
| YOLOv8m | 640 | 33.6 | 408.5 | 2.26 | 26.2 | 80.6 |
| YOLOv8l | 640 | 34.9 | 596.9 | 2.43 | 44.1 | 167.4 |
| YOLOv8x | 640 | 36.3 | 860.6 | 3.56 | 68.7 | 260.6 |
是基于Open Image V7数据集构建的，可以根据自己的需求进行选择使用即可。
除了常规的目标检测任务之外，还有旋转目标检测，如下：
| Model | size (pixels) | mAPtest 50 | Speed CPU ONNX (ms) | Speed A100 TensorRT (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n-obb | 1024 | 78.0 | 204.77 | 3.57 | 3.1 | 23.3 |
| YOLOv8s-obb | 1024 | 79.5 | 424.88 | 4.07 | 11.4 | 76.3 |
| YOLOv8m-obb | 1024 | 80.5 | 763.48 | 7.61 | 26.4 | 208.6 |
| YOLOv8l-obb | 1024 | 80.7 | 1278.42 | 11.83 | 44.5 | 433.8 |
| YOLOv8x-obb | 1024 | 81.36 | 1759.10 | 13.23 | 69.5 | 676.7 |
YOLOv8的定位不仅仅是目标检测，而是性能强大全面的工具库，故而在任务类型上同时支持：姿态估计、检测、分类、分割、跟踪多种类型，可以根据自己的需要进行选择使用，这里就不再详细展开了。
简单的实例实现如下所示：
from ultralytics import YOLO
# yolov8n
model = YOLO('yolov8n.yaml').load('yolov8n.pt') # build from YAML and transfer weights
model.train(data='data/self.yaml', epochs=100, imgsz=640)
# yolov8s
model = YOLO('yolov8s.yaml').load('yolov8s.pt') # build from YAML and transfer weights
model.train(data='data/self.yaml', epochs=100, imgsz=640)
# yolov8m
model = YOLO('yolov8m.yaml').load('yolov8m.pt') # build from YAML and transfer weights
model.train(data='data/self.yaml', epochs=100, imgsz=640)
# yolov8l
model = YOLO('yolov8l.yaml').load('yolov8l.pt') # build from YAML and transfer weights
model.train(data='data/self.yaml', epochs=100, imgsz=640)
# yolov8x
model = YOLO('yolov8x.yaml').load('yolov8x.pt') # build from YAML and transfer weights
model.train(data='data/self.yaml', epochs=100, imgsz=640)这里我们使用的是最为轻量级的yolov8n模型，配置文件如下：
# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect
# Parameters
nc: 10 # number of classes
scales: [0.33, 0.25, 1024]
# YOLOv8.0n backbone
backbone:
# [from, repeats, module, args]
- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
- [-1, 3, C2f, [128, True]]
- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
- [-1, 6, C2f, [256, True]]
- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16
- [-1, 6, C2f, [512, True]]
- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32
- [-1, 3, C2f, [1024, True]]
- [-1, 1, SPPF, [1024, 5]] # 9
# YOLOv8.0n head
head:
- [-1, 1, nn.Upsample, [None, 2, 'nearest']]
- [[-1, 6], 1, Concat, [1]] # cat backbone P4
- [-1, 3, C2f, [512]] # 12
- [-1, 1, nn.Upsample, [None, 2, 'nearest']]
- [[-1, 4], 1, Concat, [1]] # cat backbone P3
- [-1, 3, C2f, [256]] # 15 (P3/8-small)
- [-1, 1, Conv, [256, 3, 2]]
- [[-1, 12], 1, Concat, [1]] # cat head P4
- [-1, 3, C2f, [512]] # 18 (P4/16-medium)
- [-1, 1, Conv, [512, 3, 2]]
- [[-1, 9], 1, Concat, [1]] # cat head P5
- [-1, 3, C2f, [1024]] # 21 (P5/32-large)
- [[15, 18, 21], 1, Detect, [nc]] # Detect(P3, P4, P5)里因为时间有限，暂时没有能够开发完成五款不同参数量级的模型来进行综合全面的对比分析，后面找时间再进行，这里选择的是YOLOv8下最为轻量级的n系列的模型，等待训练完成后我们来详细看下结果。
【Precision曲线】
精确率曲线（Precision-Recall Curve）是一种用于评估二分类模型在不同阈值下的精确率性能的可视化工具。它通过绘制不同阈值下的精确率和召回率之间的关系图来帮助我们了解模型在不同阈值下的表现。
精确率（Precision）是指被正确预测为正例的样本数占所有预测为正例的样本数的比例。召回率（Recall）是指被正确预测为正例的样本数占所有实际为正例的样本数的比例。
绘制精确率曲线的步骤如下：
使用不同的阈值将预测概率转换为二进制类别标签。通常，当预测概率大于阈值时，样本被分类为正例，否则分类为负例。
对于每个阈值，计算相应的精确率和召回率。
将每个阈值下的精确率和召回率绘制在同一个图表上，形成精确率曲线。
根据精确率曲线的形状和变化趋势，可以选择适当的阈值以达到所需的性能要求。
通过观察精确率曲线，我们可以根据需求确定最佳的阈值，以平衡精确率和召回率。较高的精确率意味着较少的误报，而较高的召回率则表示较少的漏报。根据具体的业务需求和成本权衡，可以在曲线上选择合适的操作点或阈值。
精确率曲线通常与召回率曲线（Recall Curve）一起使用，以提供更全面的分类器性能分析，并帮助评估和比较不同模型的性能。
【Recall曲线】
召回率曲线（Recall Curve）是一种用于评估二分类模型在不同阈值下的召回率性能的可视化工具。它通过绘制不同阈值下的召回率和对应的精确率之间的关系图来帮助我们了解模型在不同阈值下的表现。
召回率（Recall）是指被正确预测为正例的样本数占所有实际为正例的样本数的比例。召回率也被称为灵敏度（Sensitivity）或真正例率（True Positive Rate）。
绘制召回率曲线的步骤如下：
使用不同的阈值将预测概率转换为二进制类别标签。通常，当预测概率大于阈值时，样本被分类为正例，否则分类为负例。
对于每个阈值，计算相应的召回率和对应的精确率。
将每个阈值下的召回率和精确率绘制在同一个图表上，形成召回率曲线。
根据召回率曲线的形状和变化趋势，可以选择适当的阈值以达到所需的性能要求。
通过观察召回率曲线，我们可以根据需求确定最佳的阈值，以平衡召回率和精确率。较高的召回率表示较少的漏报，而较高的精确率意味着较少的误报。根据具体的业务需求和成本权衡，可以在曲线上选择合适的操作点或阈值。
召回率曲线通常与精确率曲线（Precision Curve）一起使用，以提供更全面的分类器性能分析，并帮助评估和比较不同模型的性能。
【F1值曲线】
F1值曲线是一种用于评估二分类模型在不同阈值下的性能的可视化工具。它通过绘制不同阈值下的精确率（Precision）、召回率（Recall）和F1分数的关系图来帮助我们理解模型的整体性能。
F1分数是精确率和召回率的调和平均值，它综合考虑了两者的性能指标。F1值曲线可以帮助我们确定在不同精确率和召回率之间找到一个平衡点，以选择最佳的阈值。
绘制F1值曲线的步骤如下：
使用不同的阈值将预测概率转换为二进制类别标签。通常，当预测概率大于阈值时，样本被分类为正例，否则分类为负例。
对于每个阈值，计算相应的精确率、召回率和F1分数。
将每个阈值下的精确率、召回率和F1分数绘制在同一个图表上，形成F1值曲线。
根据F1值曲线的形状和变化趋势，可以选择适当的阈值以达到所需的性能要求。
F1值曲线通常与接收者操作特征曲线（ROC曲线）一起使用，以帮助评估和比较不同模型的性能。它们提供了更全面的分类器性能分析，可以根据具体应用场景来选择合适的模型和阈值设置。
【混淆矩阵】
【训练可视化】
【Batch实例】
由于数据量庞大，整体的训练计算量也是很大的，实例训练输出如下：
这也是为啥我们在模型选型上选择的是最为轻量级的n系列的模型来做实践尝试了，如果选择参数量级更大的模型最终的时间消耗势必更大。
AI智能化技术的广泛应用，是电商经济新质生产力的最好展现。它不仅推动了电商行业的转型升级，更为整个社会的数字化进程注入了强劲动力。在未来的发展中，随着技术的不断进步与应用的不断深化，电商行业将呈现出更加智能化、个性化、便捷化的特点。而这一切的实现，都离不开AI智能化技术的有力支撑。AI智能化技术正引领着电商行业迈向一个新的发展阶段。通过海量产品logo自动化智能检测识别系统等创新应用，电商平台不仅能够有效遏制假冒伪劣产品的泛滥，更能够为消费者提供更加优质、安全的购物体验。这不仅是电商经济新质生产力的体现，更是对消费者权益的尊重与保护。我们有理由相信，在未来的日子里，随着技术的不断进步与应用的不断深化，电商行业将绽放出更加璀璨的光芒。
