是从coco数据集提取其中的veh_ids=[3,6,8,10]
labels=['car','bus','truck','traffic light']来做目标检测,分别表示汽车,公交车，卡车，交通灯,用的backbone = keras_cv.models.YOLOV8Backbone.from_preset(
    "yolo_v8_m_backbone_coco"  
),不用预训练权重非常慢,训练过程如下，先是在8000个样本上训练的,淡蓝的是真实框，黄色的是模型预测，下面的是训练几个轮次后的情况

 上面是在从coco提取的4个种类，之前没在所有数据集上训练，现在在所有数据集上训练

7915/7915 [==============================] - 2097s 265ms/step - loss: 1.6061 - box_loss: 1.3257 - class_loss: 0.2804 - val_loss: 1.6310 - val_box_loss: 1.3246 - val_class_loss: 0.3064 - val_AP: 0.1829 - val_AP50: 0.2804 - val_AP75: 0.1981 - val_APs: 0.0474 - val_APm: 0.2140 - val_APl: 0.2302 - val_ARmax1: 0.2741 - val_ARmax10: 0.4171 - val_ARmax100: 0.4198 - val_ARs: 0.1535 - val_ARm: 0.4595 - val_ARl: 0.4680目前损失指标是这样,效果还不错吧！之前我加了火车也是检测目标,但是火车太大，一般没人要求把火车当目标，所以掉了，训练时用的回调,显示的检测是验证集数据,蓝色是真实边界框,黄色是模型预测的边界框,有些教程其实搞错了,只有蓝色，没黄色其实是没检测到目标