![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
YOLO改进指南
文章平均质量分 89
拿下Nahida
用爱发电,期待志同道合的朋友联系交流
展开
-
【纯干货级教程】深度学习根据loss曲线进行分析调参
以YOLOv5/YOLOv7示例展示深度学习的目标检测算法在输出的文件中的loss曲线变化规律的一般情况的分析总结,并用以调整自己的模型、调参等。原创 2024-06-16 08:00:00 · 578 阅读 · 0 评论 -
【YOLOv5/v7改进系列】改进池化层为RT-DETR的AIFI
在yolov5/yolov7-tiny引入了rt-detr的aifi模块,它具有更高的性能和更少的参数。原创 2024-06-14 18:25:48 · 917 阅读 · 0 评论 -
【YOLOv5/v7改进系列】改进池化层为SPP、SPPF、SPPCSPC
池化层(Pooling Layer)是卷积神经网络(Convolutional Neural Networks, CNNs)中的一个重要组成部分,主要用于减少输入数据的空间尺寸(例如,图像的宽度和高度),同时保持其最重要的信息。这一过程称为下采样(downsampling)或者降维。池化操作通过提取特征图(feature maps)的摘要信息来实现,这些摘要信息通常是原特征的统计量,如最大值、平均值或其他聚合方式的结果。原创 2024-06-08 08:00:00 · 1208 阅读 · 0 评论 -
【YOLOv7改进系列】简化YOLOv7-tiny池化层,便于引入改进的池化层
相比YOLOv5/v7,除了YOLOv5n外,YOLOv7tiny的参数量较小,效果往往也相较YOLOv5n高上不少,又近来博主打算改进yolov7-tiny文件,但苦于其池化层部位是直接写在yaml中的,修改极为不便,因此对池化层做简化处理。本次修改的目标是将yaml中池化层的代码修改为单层代码形式来代表,便于以后做替换、改进工作,因此,需要保证改进前后的参数量、GFLOPS相同。此外,可能有小伙伴会疑问,为何博主不推荐把所有部位都简化?这是因为某些修改常常会修改于1x1的卷积,而不修改3x3的卷积。原创 2024-06-08 00:42:49 · 1042 阅读 · 0 评论 -
【YOLOv5/v7改进系列】替换上采样层为Dysample
与基于核的早期动态上采样器相比,DySample无需定制CUDA包,参数量、FLOPs、GPU内存和延迟都大幅减少。它不仅具有轻量化特性,在语义分割、对象检测、实例分割、全景分割和单目深度估计等五项密集预测任务中,性能也优于其他上采样方法。原创 2024-06-07 08:00:00 · 1321 阅读 · 0 评论 -
【YOLOv5/v7改进系列】引入Slim Neck与GSConv
文章还提出了一种设计范式“slim-neck”,即仅在模型的“neck”部分使用GSConv,而非整个模型。:特别是在“细颈”(slim-neck)设计范式中,GSConv被应用于模型的中间连接部分,即neck,这时特征图已经过初步处理,变得较为精简,且宽度和高度减小到最小,而通道数达到最大。综上所述,GSConv通过创新的结构设计为轻量级目标检测模型提供了新的解决方案,尤其在自动驾驶领域,它能够帮助模型在保持高效运行的同时,提高对小目标的检测精度,但其应用也需考虑模型复杂度增加和实现上的局限性。原创 2024-06-04 02:02:03 · 1052 阅读 · 0 评论 -
【YOLOv5/v7改进系列】引入ODConv——即插即用的卷积块
ODConv作为标准卷积的直接替代品,可以方便地集成到多种CNN架构中,不仅适用于轻量级网络,也包括大型网络,如ResNet101,并且在这些网络上显示出有前景的结果,如为ResNet101带来1.57%的top-1精度增益。研究发现,ODConv学习到的四种注意力(空间注意力αsi、通道注意力αci、滤波器注意力αfi、权重注意力αwi)是互补的,它们共同作用能有效解决单个注意力机制可能忽视的问题,提高了模型的决策能力。与参考方法相比,相同模型尺寸下,ODConv的训练成本更高。原创 2024-05-31 08:00:00 · 1023 阅读 · 0 评论 -
【YOLOv5/v7改进系列】引入AKConv——即插即用的卷积块
AKConv提出了一种新的卷积方式,旨在提升卷积神经网络的灵活性和效率,尤其是在处理非规则目标和减小模型复杂性方面展现出了潜力,但同时也带来了实施和训练上的挑战。原创 2024-05-29 17:42:50 · 1216 阅读 · 0 评论 -
【YOLOv5/v7改进系列】替换激活函数为SiLU、ReLU、LeakyReLU、FReLU、PReLU、Hardswish、Mish、ELU等
激活函数不仅决定了神经网络的学习能力,还在很大程度上影响了目标检测模型的精度、训练效率以及最终的检测性能。因此,在设计目标检测网络时,精心选择和设计激活函数是一个重要环节。原创 2024-05-24 21:16:50 · 1833 阅读 · 0 评论 -
【YOLOv5/v7改进系列】替换特征融合网络为AFPN
介绍了一种新的特征金字塔网络结构——渐近特征金字塔网络(Asymptotic Feature Pyramid Network, AFPN),旨在解决目标检测任务中多尺度特征提取的问题,特别是非相邻层级间特征信息的损失和退化。原创 2024-05-22 19:34:26 · 962 阅读 · 2 评论 -
【YOLOv5/v7改进系列】替换上采样层为转置卷积
转置卷积,又称为分数步长卷积或错位卷积,常用于上采样操作。原创 2024-05-17 19:23:21 · 1015 阅读 · 0 评论 -
【YOLOv5/v7改进系列】替换上采样层为双三次插值方式
原始的YOLOv5/v7等目标检测算法在上采样层常常使用最近邻插值,在实际实验过程中,我们还可以采用更多的插值方式等来替换。原创 2024-05-16 13:56:18 · 951 阅读 · 0 评论 -
【YOLOv5/v7改进系列】替换上采样层为双线性插值方式
原始的YOLOv5/v7等目标检测算法在上采样层常常使用最近邻插值,在实际实验过程中,我们还可以采用更多的插值方式等来替换。原创 2024-05-16 11:49:19 · 302 阅读 · 0 评论 -
【YOLOv5/v7改进系列】替换上采样层为CARAFE
CARAFE以其独特的设计,实现了既高效又有效的特征上采样,为深度学习领域的密集预测任务提供了强大的工具,并展现出在低级视觉任务如图像复原和超分辨率中的应用潜力。原创 2024-05-15 15:30:05 · 521 阅读 · 0 评论 -
【YOLOv5/v7改进系列】引入YOLOv8的C2f模块
【YOLOv5/v7改进系列】引入YOLOv8的C2f模块原创 2024-05-15 10:38:37 · 646 阅读 · 0 评论 -
【YOLOv7改进系列】引入YOLOv5的C3模块
C3模块的第二阶段使用深度可分离的膨胀卷积,扩大了感受野,增强了全局一致性。:C3模块采用两阶段设计,首先使用深度方向的非对称卷积来收集并压缩相邻像素的信息,减轻由于膨胀卷积造成的局部信息丢失问题。总之,C3模块通过创新的结构设计,有效融合了深度可分离卷积和膨胀卷积的优点,实现了轻量化模型设计中的一个关键突破,同时保持了分割和分类任务的高性能表现。:除了语义分割,C3模块还被应用于ImageNet分类任务,展示出替换膨胀卷积并维持或提升性能的能力,进一步验证了其作为深度学习基本构建块的潜力。原创 2024-05-14 21:31:59 · 326 阅读 · 0 评论 -
【YOLOv5/v7改进系列】替换骨干网络为ShuffleNetv2
替换YOLOv5s/n、v7-tiny骨干网络为ShuffleNetv2.《ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design》提出了一种新的卷积神经网络(CNN)架构设计方法,并给出了一系列实用的设计指南,旨在提高模型在实际应用中的效率。原创 2024-05-14 08:00:00 · 605 阅读 · 1 评论 -
【YOLOv5/v7改进系列】替换骨干网络为PP-LCNet
论文中提出了一系列技术改进措施,在几乎不增加延迟的前提下提高了网络的准确度,使得PP-LCNet在分类任务上显著超越了以往具有相同推理时间的网络结构,并且在对象检测、语义分割等计算机视觉下游任务上也展现出优越性能。在不同任务上的评估结果表明,PP-LCNet在COCO数据集上的目标检测任务中,与MobileNetV3相比,以更低的延迟实现了更高的mAP值;完成二后,在YOLOv5项目文件下的models文件夹下创建新的文件yolov7-tiny-pplcnet.yaml,导入如下代码。原创 2024-05-13 11:59:52 · 1204 阅读 · 0 评论 -
【纯干货级教程】设备算力差如何最大效益进行深度学习训练?
本文对于采用CPU/LAPTOP-GPU如何加快训练进程,会有较为明确的描述和解决方法,如果目前你存在设备算力差等类似情况的话,相信参考本文的步骤进行尝试是能够解决的。原创 2024-05-13 13:23:18 · 1053 阅读 · 0 评论 -
【YOLOv5/v7改进系列】替换骨干网络为MobileOne
yolov7-tiny、yolov5s/n替换骨干网络为MobileOne,相比同类高效架构,MobileOne不仅在精度上达到了最先进的水平,而且运行速度更快,比如比MobileFormer快38倍,比EfficientNet在相近延迟下高出2.3%的顶尖-1准确率。原创 2024-05-12 15:02:16 · 916 阅读 · 0 评论 -
【YOLOv5/v7改进系列】替换骨干网络为VanillaNet
yolov7-tiny、yolov5n/s替换骨干网络为华为诺亚方舟实验室和悉尼大学的研究人员合作完成VanillaNet原创 2024-05-12 10:04:44 · 869 阅读 · 0 评论 -
【YOLOv5/v7改进系列】替换骨干网络为MobileNetv3
YOLOv5s/n、YOLOv7-tiny替换骨干网络为MobileNetv3手把手教学。原创 2024-05-11 12:16:56 · 1022 阅读 · 0 评论 -
【保姆级零基础教程】哪些创新点可以快速改进提升YOLO?
本文主要介绍目标检测算法的改进点,通过阅读本文进行对应的改进,同学们对于如何改进创新,可以获得更多体会。原创 2024-05-11 09:29:21 · 1259 阅读 · 0 评论