| 模型架构 | 模态 | 精度 (P) | 召回率 (R) | mAP\@50 | mAP\@50:95 | 模型大小 (MB) | 计算量 (GFLOPs) | | ------------------ | ------ | ------ | ------- | ------- | ---------- | --------- | ------------ | | YOLOv8n (baseline) | RGB | 0.888 | 0.829 | 0.891 | 0.500 | 6.20 | 8.1 | | YOLO-Fuse-中期特征融合 | RGB+IR | 0.951 | 0.881 | 0.947 | 0.601 | 2.61 | 3.2 | | YOLO-Fuse-早期特征融合 | RGB+IR | 0.950 | 0.896 | 0.955 | 0.623 | 5.20 | 6.7 | | YOLO-Fuse-决策级融合 | RGB+IR | 0.956 | 0.905 | 0.955 | 0.612 | 8.80 | 10.7 | | YOLO-Fuse-极简融合 | RGB+IR | 0.899 | 0.865 | 0.939 | 0.620 | 7.83 | 8.5 | | DEYOLO | RGB+IR | 0.943 | 0.895 | 0.952 | 0.615 | 11.85 | 16.6 | --- ## 🧩 数据输入规范 系统通过文件名自动关联异构数据源，需确保文件命名一致性： ``` 数据集目录/ ├── images/ # RGB图像 │ └── 120270.jpg └── imagesIR/ # 红外图像（同级目录） └── 120270.jpg # 同名IR文件 ``` > 标注文件仅需基于RGB图像生成，系统自动复用至IR模态 --- ## 🚀 快速部署指南 ### 1️⃣ 环境初始化 ```bash git clone https://github.com/WangQvQ/YOLOFuse.git cd YOLOFuse pip install -e . # 可编辑模式安装 ``` ### 2️⃣ 模型训练 ```bash python train_dual.py # 启动双流训练 ``` ### 3️⃣ 推理验证 ```bash python infer_dual.py # 执行融合推理 ``` > 预训练权重下载： > 链接：[https://pan.quark.cn/s/ec13c6e17b8d]([https://](https://pan.quark.cn/s/ec13c6e17b8d)) > 提取码：HETx --- ## 📂 数据集结构 采用标准YOLO格式，目录结构示例如下： ``` datasets/ ├── images/ │ ├── train/ # RGB训练集 │ └── val/ # RGB验证集 ├── imagesIR/ # IR图像集（与images目录同级） │ ├── train/ │ └── val/ └── labels/ # 统一标注文件 ├── train/ └── val/ ``` --- ## ⚡ AutoDL云端部署方案 [[Open in AutoDL]](https://www.codewithgpu.com/i/WangQvQ/YOLOFuse/YOLOFuse)
