在目标检测领域，模型的性能很大程度上依赖于训练过程中使用的标注数据的质量。传统上，边界框标注因其简单易用而受到青睐。然而，这种便利性是以牺牲精度为代价的。边界框标注会捕获物体周围的空间，这可能导致定位不够精确，并可能阻碍模型性能，特别是在物体具有不规则或复杂形状的情况下。为了克服这一限制，出现了如多边形标注这样的替代标注技术。这些技术，如Meta AI开发的Segment Anything Model (SAM)，允许更准确和详细的对象分割，从而在涉及不规则形状物体的场景中实现更好的性能。尽管使用多边形标注进行数据标注可能需要额外的时间和精力，但它提供了更精确地捕获物体的优势，并可以导致目标检测任务中改进的结果。使用Roboflow的Smart Polygon功能（由SAM提供支持）可以大大加快使用多边形标注数据的过程。
在所有实验中，保持了所选模型、参数和数据集的一致性。专注于为消防栓特别策划的数据集。可以使用以下链接下载边界框和多边形标注的数据集。数据集包括408张原始图像以及570张增强图像，涵盖边界框和多边形标注。值得注意的是，结果可能会根据自定义数据集的特性而有所不同，例如它们的规模、质量、类别分布和领域特定的细微差别。数据集的质量和数量对目标检测模型的性能有显著影响。高质量的标注，具有准确的物体边界和精确的标记，在有效训练模型中起着至关重要的作用。相反，不一致和不完整的标注可能会阻碍模型的学习能力及其泛化能力。如果有一个用边界框标注的数据集，并希望将其转换为实例分割标注标签，请使用SAM教程和笔记本来转换数据集。
使用以下主要指标来评估模型的性能：mAP50、mAP和归一化混淆矩阵。mAP50表示在0.50的交集比并集（IoU）阈值下的平均精度均值。此外，还分析了精确度、召回率、真正例（TP）、真负例（TN）、假正例（FP）和假负例（FN），以更深入地了解模型的性能。