具体笔记：[水果目标检测4]：YOLOv7-CA+追踪算法-CSDN博客

为什么水果计数这么难？

随着线上水果销售越来越火，准确预测水果产量变得超级重要。但传统的人工目测和传感器效率低、成本高，还搞不定复杂的果园环境，比如水果重叠、光照变化等。

虽然CNN目标检测很强，但在农业场景下，遮挡问题让模型常常“犯糊涂”。于是，我们想了一个新办法：结合最先进的YOLOv7模型和两种强大的注意力机制，再引入多目标追踪，实现更精准、更稳定的水果检测和计数。

核心亮点：三大技术融合

1. 改进YOLOv7：引入“注意力”

YOLOv7虽然很棒，但在复杂农业场景下还有提升空间。所以，尝试给它加上“眼睛”——注意力机制，让模型能自主聚焦到重要的信息上。

测试了两种注意力模块：

• CBAM（通道+空间注意力）: 就像一个**“双重过滤器”，先让模型关注“什么”是重要的物体（通道注意力），再告诉它“在哪里”**（空间注意力）。

• CA（坐标注意力）: 这是一种更巧妙的方法，它通过水平和垂直两个方向的池化来捕捉精确的位置信息，特别擅长处理遮挡和密集目标。

实验结果： YOLOv7-CA模型表现最佳，mAP提升了4%，F1评分提升了0.02，并且模型大小几乎没变！这让它在边缘设备上部署变得更轻松。

2. 跟踪算法：解决遮挡和重复计数问题

光检测到水果还不够，视频中的苹果会动，还会被叶子挡住，很容易造成重复计数或漏数。

借鉴了SORT和Cascade-SORT的思想，并引入了：

• SURF特征提取: SURF是一种快速的传统图像特征算法，它能在保证精度的前提下，高效提取水果的外观特征。在短时间内，同一颗苹果的外观变化不大，SURF足以应付，比复杂的CNN更快。

• 卡尔曼滤波器: 它可以根据过去的运动轨迹，预测水果的当前位置，有效应对短暂的遮挡问题。

• 级联匹配: 我们用马氏距离匹配运动，用余弦距离匹配外观，将运动和外观特征结合起来，确保在复杂情况下也能准确追踪每一颗苹果。

实验结果： 我们的YOLOv7-CA结合SURF级联匹配的方案，比单独使用YOLOv7的计数MAE（平均绝对误差）提高了0.642，效果显著！

数据集与实验环境

• 数据集： 整合多个公开数据集，并进行了半自动化标注，大大提升了效率。

• 数据增强： 使用MixUP和Mosaic等高级技术，让模型见识了更多复杂场景，增强了泛化能力。

• 实验平台： 在Google Colab上，使用T4 GPU进行训练和测试。

未来展望

目前模型在不同光照下的性能还不够稳定，未来我们将：

1. 引入ID Switch和MOTA等更全面的评估指标，更准确地衡量模型的性能。

2. 构建更全面的水果视频数据集，覆盖更多复杂场景。

3. 继续探索注意力机制与轻量化模型的结合，实现速度和精度的最佳平衡，让我们的AI模型真正能应用到农场。