YOLOv7学习

已于 2022-09-01 15:59:51 修改
阅读量549 收藏 4
点赞数
分类专栏： 机器学习 文章标签： 目标检测
于 2022-09-01 15:58:19 首次发布
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/Goodness2020/article/details/126645173
版权

一、网络结构

二、主要策略

当前目标检测主要的优化方向：更快更强的网络架构；更有效的特征集成方法；更准确的检测方法；更精确的损失函数；更有效的标签分配方法；更有效的训练方法。

1、损失函数

整体和YOLOV5 保持一致，分为坐标损失、目标置信度损失（GT就是训练阶段的普通iou）和分类损失三部分。其中目标置信度损失和分类损失采用BCEWithLogitsLoss（带log的二值交叉熵损失），坐标损失采用CIoU损失。

2、匹配策略

主要是参考了YOLOV5 和YOLOV6使用的当下比较火的simOTA。

Goodness2020
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
yolov7该进损失函数
qq_53545309的博客
08-10 1583
yolov7损失函数修改
Yolov7学习笔记（六）损失函数计算
Deen的博客
04-11 1万+
bs, 3, 20, 20, 25]意味这这个layer有8张图，且有3个anchor，特征图层的尺寸为20*20，每个网格有25个值，前4个为预测框中心点，第5个为这个预测框的目标置信度，后20个为预测框的类别置信度。真实框尺寸为[number,6]，这个number指的是这一个batch_size中有多少个真实框，例子的batch_size=8，number=27，如下图所示，这8张图片中有27个真实框。中的置信度损失和类别损失用的是二元交叉熵来做的，而定位损失是用的CIOU Loss来做的，
YOLOv7（目标检测）入门教程详解---检测，推理，训练
Oona_01的博客
03-29 705
那么yolov7的检测，训练，推理的全部流程都已经可以实现了，但是这个是基于python环境下的，如果有特殊的需求需要在c++环境下去进行yolo检测的话，那就又另有一方折腾了，我会在之后的博客中说到如何在c++中去使用yolov7检测。训练数据用的是yolo数据格式，不过多了两个.txt文件，这两个文件存放的，是每个图片的路径，后面会具体介绍。我们已经获得了自己训练出来的权重了，那么这个时候推理，其实跟之前检测的道理是一样的，唯一变换的就是我们的权重文件和自己检测的照片。
yolov7检测算法Loss总结
geek0105的博客
03-17 5397
总结了常见的目标检测Loss，包括BCEBlurWithLogitsLoss，FocalLoss，QFocalLoss，
Yolov7学习笔记（五）损失函数中的正样本匹配
Deen的博客
04-10 2509
假设有20类，则。
[YOLOv7/YOLOv5系列算法改进NO.7]损失函数改进
热门推荐
m0_70388905的博客
06-23 2万+
​前 言：作为当前先进的深度学习目标检测算法YOLOv5，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv5的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。解决问题：YOLOv5采用CIOU损失函数，优点：CIOU就是在DIOU的基础上增加了检测框尺度的loss，增加了长和宽的loss，这样预测框就会更加的符合真实框。...
Yolov7概述、原理及应用.pdf
05-09
Yolov7的原理主要基于深度学习和计算机视觉的相关技术，其核心思想是将目标检测任务转化为一个端到端的回归问题。具体来说，Yolov7采用了以下关键技术： 特征提取：Yolov7首先通过深度学习模型（如卷积神经网络）对...
yolov7x-seg.pt
06-27
yolov7预训练模型
YOLOV5+YOLOV7（源码）.rar
04-15
1、资源内容：YOLOV5+YOLOV7（完整源码+数据）.rar 2、代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 3、适用对象：计算机，电子信息工程、数学等专业的大学生课程设计和毕业设计。 4、更多...
深度学习+目标检测+yolov7算法
09-23
包含yolov7算法预训练模型及yolov7代码下载、训练、测试、评估的代码指令，配置好相关环境可以直接运行。
yolov7训练自己的数据集+教程+二维码检测
07-12
该资源主要包括： 1.基于yolov7的训练好的二维码检测模型 2.二维码的yolo格式数据集 3.yolov7训练自己的数据集的教程 4.yolov7环境配置教程 5.yolov7训练测试教程 6.上千张已标注好的二维码数据集
基于YOLOv7训练自己数据集并自动标注（源码+数据+权重文件+说明文档）.rar
04-15
1、资源内容：基于yolov7训练自己数据集并自动标注（完整源码+权重文件+说明文档+数据）.rar 2、代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 3、适用对象：计算机，电子信息工程、数学等...
芒果YOLOv5改进10：主干Backbone篇CBiF、BiFB：小目标检测涨点，原创即插即用
包括YOLOv5、YOLOv7、YOLOv8等模型改进
04-17 3714
YOLO代码实践｜小目标检测涨点，原创即插即用
YoloV7目标检测（Pytorch官方版）【这也许是你见到最详细的博文！！！】
qq_23022733的博客
12-07 1万+
主干网络示意图如下，其实采用的和YoloV3、YoloV4、YoloV5类似的网络结构 代码如下，多分支模块堆叠的类名为：Multi_Concat_Block 输出： 2.2 下采样网络结构 结合了maxpooling和2 ×\times× 2步长的卷积 代码如下，下采样结构类名为Transition_Block， 输出： 2.3 整个backbone代码 整个主干网络实现代码为： 输出： 3、FPN特征金字塔 backbone与FPN以及head代码： 输出：
芒果YOLOv8改进14：多种损失函数IoU 篇：YOLOv8涨点Trick，改进添加SIoU损失函数、EIoU损失函数、GIoU损失函数、α-IoU损失函数
包括YOLOv5、YOLOv7、YOLOv8等模型改进
02-22 8974
YOLOv5代码实践｜改进多种主流损失函数
yolov7之soft-nms（个人备忘录）
cyh20182808的博客
04-12 1153
训练时不要加，会加大训练时间。在测试的时候，这样改，然后用就可以，且不一定能提升精度，对于二阶段的模型会更好一些，看个人数据集。找到def non_max_suppression(prediction, cnf_后面省略)，粘贴到它前面，如箭头所示。选择一种，例如选EIou，那就将那行代码添加，EIou=True。他支持GIou，DIou，CIou，SIou，EIou。在下图所示位置，什么参数都不加，即选择默认的iou。即可在test.py进行测试。
Yolov7学习笔记（一）模型结构
Deen的博客
04-04 4096
个人学习笔记，项目代码参考Bubbliiiing的yolov7-pytorch-master版1、Pytorch搭建YoloV7目标检测平台源码2、最终版本YOLOv1-v7全系列大解析3、三万字硬核详解：yolov1、yolov2、yolov3、yolov4、yolov5、yolov74、yolo系列的Neck模块。
74LS90实现十进制计数器、百进制计数器-multisim电路仿真设计
最新发布
06-14
该文件包含两个由74LS90设计的十进制计数器与百进制计数器，通过四引脚数码管显示加法计数，并且可以实现清零效果。电路由multisim软件电路仿真设计，电路设计详尽解析可见主页博文。
yolov7与yolov8损失函数
11-21
根据提供的引用内容，YOLOv7和YOLOv8都对YOLOv3的损失函数进行了改进。其中，YOLOv8在YOLOv7的基础上添加了SIoU损失函数、EIoU损失函数、GIoU损失函数和α-IoU损失函数。 SIoU损失函数是基于IoU的一种新的损失函数，它可以更好地处理物体之间的重叠情况。EIoU损失函数是一种改进的GIoU损失函数，它可以更好地处理物体的旋转和长宽比变化。GIoU损失函数是一种改进的IoU损失函数，它可以更好地处理物体之间的重叠情况。α-IoU损失函数是一种基于IoU的新型损失函数，它可以更好地处理物体之间的重叠情况。 以下是YOLOv7和YOLOv8的损失函数的代码实现： ```python # YOLOv7损失函数 def yolo_loss_v7(args, anchors, num_classes, ignore_thresh=.5, print_loss=False): # 省略部分代码 # 计算IoU iou = tf.math.divide_no_nan(intersect_area, union_area) # 计算GIoU giou = iou - (enclose_area - union_area) / enclose_area # 计算损失 giou_loss = tf.reduce_mean(tf.reduce_sum(tf.abs(tf.stop_gradient(giou) - giou) * conf_mask * cls_mask, axis=[1, 2, 3, 4])) # 省略部分代码 return giou_loss # YOLOv8损失函数 def yolo_loss_v8(args, anchors, num_classes, ignore_thresh=.5, print_loss=False): # 省略部分代码 # 计算IoU iou = tf.math.divide_no_nan(intersect_area, union_area) # 计算GIoU giou = iou - (enclose_area - union_area) / enclose_area # 计算DIoU diou = iou - tf.math.divide_no_nan(distance, enclose_diag) # 计算CIoU v = 4 / (math.pi ** 2) * tf.square(tf.math.atan2(w, h) - tf.math.atan2(gt_w, gt_h)) alpha = v / (1 - iou + v) ciou = giou - alpha * v # 计算损失 ciou_loss = tf.reduce_mean(tf.reduce_sum(tf.abs(tf.stop_gradient(ciou) - ciou) * conf_mask * cls_mask, axis=[1, 2, 3, 4])) # 省略部分代码 return ciou_loss ```

“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
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