yolov3/yolov4/yolov5/yolov6/yolov7/lite/mask/faster/fastdet/efficientdet各系列模型开发、项目交付、组合改造创新之—水稻检测

最新推荐文章于 2024-04-25 10:08:43 发布
最新推荐文章于 2024-04-25 10:08:43 发布
阅读量507 收藏 2
点赞数
文章标签： 目标检测 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2201_75285525/article/details/127982620
版权

目前单阶段目标检测模型依旧是主流技术，yolo系列一直是但阶段目标检测领域的翘楚，迭代更新至今，已经从yolov3、yolov4、yolov5更新到了如今的yolov6和yolov7，相信随着新技术的不断涌现，一定还有更快更准更强的检测模型面世，yolo全系列的模型都有很高的学习研究和应用实践价值，对于每一个想要入门目标检测领域的人来讲都是必不可少的一堂课。
当然了出来yolo以外还有很多其他的检测模型，比如：lite、fastestdet、effcientdet、fasterrcnn、maskrcnn、fcos等等，都是不错的检测模型，都有学习借鉴的价值，可以根据自身的具体的也无需求进行技术选型即可，当然了如果有项目开发的需求也都是可以的，深耕CV领域数十载，自建海量的数据资源库，积累了大量的项目经验。
文本主要是简单讲解水稻检测这一目标检测任务。

数据样例如下：

 yolo格式标注文件如下所示：

 VOC格式数据标注如下所示：

 数据解析处理核心实现如下所示：

#将labels下的txt转为 Unix 格式
txt_list=['labels/'+one.strip() for one in os.listdir('labels/') if one.endswith('txt')]
print('txt_list_length: ', len(txt_list))
cut_list_res=cut2List(txt_list,c=500)
print('cut_list_res_length: ', len(cut_list_res))
for one_list in cut_list_res:
    one_content=' '.join(one_list)
    one_order='dos2unix '+one_content
    os.system(one_order)



#将labels下的txt复制到JPEGImages目录下
txt_list=['labels/'+one.strip() for one in os.listdir('labels/') if one.endswith('txt')]
print('txt_list_length: ', len(txt_list))
cut_list_res=cut2List(txt_list,c=500)
print('cut_list_res_length: ', len(cut_list_res))
for one_list in cut_list_res:
    one_content=' '.join(one_list)
    one_order='cp '+one_content+' JPEGImages/'
    os.system(one_order)

整体数据融合核心实现如下所示：

 模型配置如下：

[net]
# Training
batch=32
subdivisions=2
width=320
height=320
channels=3
momentum=0.9
decay=0.0005
angle=0
saturation = 1.5
exposure = 1.5
hue=.1

learning_rate=0.001
burn_in=1000
max_batches = 50200
policy=steps
steps=40000,45000
scales=.1,.1

[convolutional]
filters=8
size=3
groups=1
stride=2
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=8
size=3
groups=8
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=4
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=linear

[convolutional]
filters=24
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=24
size=3
groups=24
stride=2
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=6
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=linear

[convolutional]
filters=36
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=36
size=3
groups=36
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=6
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=linear

[shortcut]
from=-4
activation=linear


[convolutional]
filters=36
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=36
size=3
groups=36
stride=2
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=8
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=linear

[convolutional]
filters=48
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=48
size=3
groups=48
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=8
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=linear

[shortcut]
from=-4
activation=linear


[convolutional]
filters=48
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=48
size=3
groups=48
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=8
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=linear

[shortcut]
from=-4
activation=linear
######################

[convolutional]
filters=48
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=48
size=3
groups=48
stride=2
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=16
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=linear

[convolutional]
filters=96
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=96
size=3
groups=96
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=16
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=linear

[shortcut]
from=-4
activation=linear


[convolutional]
filters=96
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=96
size=3
groups=96
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=16
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=linear

[shortcut]
from=-4
activation=linear


[convolutional]
filters=96
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=96
size=3
groups=96
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=16
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=linear

[shortcut]
from=-4
activation=linear


[convolutional]
filters=96
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=96
size=3
groups=96
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=24
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=linear

[convolutional]
filters=144
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=144
size=3
groups=144
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=24
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=linear

[shortcut]
from=-4
activation=linear


[convolutional]
filters=144
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=144
size=3
groups=144
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=24
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=linear

[shortcut]
from=-4
activation=linear


[convolutional]
filters=144
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=144
size=3
groups=144
stride=2
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=40
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=linear

[convolutional]
filters=240
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=240
size=3
groups=240
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=40
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=linear

[shortcut]
from=-4
activation=linear

[convolutional]
filters=240
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=240
size=3
groups=240
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=40
size=1
groups=1
stride=1
pad=1
batch_normalize=1
activation=linear

[shortcut]
from=-4
activation=linear
### SPP ###
[maxpool]
stride=1
size=3

[route]
layers=-2

[maxpool]
stride=1
size=5

[route]
layers=-4

[maxpool]
stride=1
size=9

[route]
layers=-1,-3,-5,-6
##############################
[convolutional]
filters=144
size=1
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=144
size=3
groups=144
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=48
size=1
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=144
size=1
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
size=1
stride=1
pad=1
filters=18
activation=linear


[yolo]
mask = 3,4,5
anchors = 26, 48,  67, 84,  72,175, 189,126, 137,236, 265,259
classes=1
num=6
jitter=.1
ignore_thresh = .5
truth_thresh = 1
random=0
#################
scale_x_y = 1.1
iou_thresh=0.213
cls_normalizer=1.0
iou_normalizer=0.07
iou_loss=ciou
nms_kind=greedynms
beta_nms=0.6

##################################
[route]
layers= 64

[upsample]
stride=2

[route]
layers=-1,47
#################################
[convolutional]
filters=40
size=1
stride=1
pad=1
batch_normalize=1
activation=relu


[convolutional]
filters=96
size=1
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=96
size=3
groups=96
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=48
size=1
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
filters=96
size=1
stride=1
pad=1
batch_normalize=1
activation=relu

[convolutional]
size=1
stride=1
pad=1
filters=18
activation=linear


[yolo]
mask = 0,1,2
anchors = 26, 48,  67, 84,  72,175, 189,126, 137,236, 265,259
classes=1
num=6
jitter=.1
ignore_thresh = .5
truth_thresh = 1
random=0
#################
scale_x_y = 1.05
iou_thresh=0.213
cls_normalizer=1.0
iou_normalizer=0.07
iou_loss=ciou
nms_kind=greedynms
beta_nms=0.6

 检测效果样例如下所示：

 

 

沂水寒城
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
FastestDet：轻量级目标检测 实时Anchor-free目标检测算法
jacke121的专栏
07-05 6825
FastestDet：轻量级目标检测 实时Anchor-free目标检测算法
FastestDet---原理介绍
qq_41920323的博客
09-28 503
FastedDet原理介绍
基于YOLOv8的农作物水稻病害检测系统，优化SPPF提升检测精度
12-13 1808
农作物水稻病害首先进行数据处理到训练模型，最好优化SPPF提升检测精度，map0.5从原始的0.807提升至0.821
探索最快速的目标检测框架FastestDet：速度与准确性的完美结合
gitblog_00026的博客
04-25 430
探索最快速的目标检测框架FastestDet：速度与准确性的完美结合 项目地址:https://gitcode.com/dog-qiuqiu/FastestDet 项目简介 FastestDet 是一个由GitHub上的开源项目，旨在提供一种在保持高度准确性的同时，实现目标检测极快速度的解决方案。该项目基于深度学习，专为实时应用和资源有限的设备设计，适合那些需要高效、低延迟目标检测的开发者和研究人...
训练FastestDet（Anchor-Free、参数量仅0.24M、计算量0.9GFLOPs），稍改代码使得符合YOLO数据集排布
孟孟单单的博客
01-14 927
文件并重取名，例如我重命名为。位置，就可以直接运行。
Ubuntu 配置 FastestDet 遇到的问题
weixin_52303102的博客
12-21 406
但是尝试过之后发现，这个问题解决啦，但是还有 np.float。都是发生在安装的 prococotal 这个库里面。4060Ti 导致 torch 和torchvision 版本错误。于是就尝试一下安装了最新版的prcocotal。requirement.txt里面对应的库的版本没有。
yolov7源码+yolov7-tiny.pt、yolov7.pt文件整合
05-28
YOLOv7是对前代YOLOv3和YOLOv4的改进版本，它在保持速度的同时提升了检测性能。这个整合包包含了YOLOv7的源代码以及预训练模型`yolov7-tiny.pt`和`yolov7.pt`。 源代码通常包括网络结构定义、训练脚本、推理脚本...
基于yolov8实现的光伏电池缺陷检测项目
最新发布
06-19
相比于两阶段的检测器（如Faster R-CNN或Mask R-CNN），YOLOv8的流程更为简洁，预测速度更快。YOLOv8在模型结构上进行了改进，可能包括更高效的卷积层、新的激活函数或者损失函数优化，以提升模型在小目标检测和密集...
设计小游戏代码学习YOLOv方法解析.pdf
04-29
YOLOv的最新版本包括YOLOv2和YOLOv3，它们在保持高速检测的同时，进一步提升了识别的精度。 YOLOv的核心在于其网络结构，即Darknet，这是一个轻量级的卷积神经网络（CNN）。Darknet的设计使得模型计算效率高，适合...
在自定义数据集上训练 YOLOv8完成教程+代码.zip
06-02
YOLOv8是一款高效、快速的目标检测模型，是YOLO系列的最新版本，适用于实时的图像分析和物体识别任务。本教程将详细讲解如何在自定义数据集上训练YOLOv8模型，以适应特定场景的需求。教程包含了完整的notebook源代码...
YOLOv5 vs YOLOv6 vs YOLOv7目标检测模型速度和准确度的性能比较-深入研究.docx
05-20
详细介绍YOLOv5 vs YOLOv6 vs YOLOv7目标检测模型速度和准确度的性能比较—深入研究的文档
ns2.zip_单片机开发_tcl/tk_
08-11
Forlarge networksAnd therefore have faster algorithms been developed in recent years. These new algorithmshave in common that they use precomputation and store auxiliary data to speedupsubsequent ...
FastestDet---ncnn及多线程部署
qq_41920323的博客
09-29 438
我的编译环境是opencv3.4，protobuf3.4，ncnn版本无要求，cmake3.17，vs2019，链接：https://pan.baidu.com/s/19pAmFsp2dODTPwc3aqWDcw。前两篇文章记录了fastestdet的原理和训练，本篇文章讲解记录ncnn端的部署。首先构建一个任务结构体，表示输入一张图片以及推理完毕后返回对应的结果。本文增加了多线程部署，且对代码进行了接口封装，方便调用。–来自百度网盘超级会员V1的分享。
目标检测中的激活函数
q839039228的博客
08-02 1498
目标检测基础知识学习笔记，侵删
口罩识别matlab,GitHub - wangchao12/DIoU_YOLO_V3: 【口罩佩戴检测数据训练 | 开源口罩检测数据集和预训练模型】Train D/CIoU_YOLO_V3 by d...
weixin_35682426的博客
03-20 573
提供整理的开源口罩佩戴检测数据集的下载！！！YOLOv3 with DIoU and CIoU losses implemented in DarknetXu JingDEMO相同图片基于AIZOO开源的检测效果:配置和训练过程以darknet版YOLO v3和Gaussian YOLO v3的配置训练过程相似，这里以Ubuntu为例，关于Windows下的配置和生成过程，具体可以联系DataXu...
FastestDet调用源码
qq_55436434的博客
11-15 354
【代码】FastestDet调用源码。
基于yolov5的轻量级水稻虫害目标检测项目实践
Together_CZ的博客
11-27 2046
基于yolov5的轻量级水稻虫害目标检测项目实践
Yolov7训练自己的数据-水果检测
m0_67089871的博客
01-14 2034
2022年七月Yolov4的原班人马发布了Yolov7，本文记录了用Yolov7训练自己的数据的过程
YOLO/SSD/Faster RCNN, VGG/ResNet/GoogLeNet模型的特点
04-22
YOLO/SSD/Faster RCNN 是目标检测算法，可以同时检测多个对象并给出它们的位置信息，速度比较快，但可能牺牲一些精度。VGG/ResNet/GoogLeNet 是图像分类算法，不仅可以识别出图像中的物体，也可以对物体进行分类。...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值