基于yolov5全系列模型【n/s/m/l/x】开发构建汉字检测识别系统，调整图像尺寸分别对别416x416和640x640不同分辨率下的性能结果

最新推荐文章于 2025-04-23 23:28:20 发布
最新推荐文章于 2025-04-23 23:28:20 发布
阅读量3k 收藏 13
点赞数 2
文章标签： YOLO
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/Together_CZ/article/details/130855157
版权
本文通过构建基于YOLOv5的五款模型，对比分析了416x416和640x640两种分辨率下，对汉字检测的性能。结果显示，分辨率提升并不一定导致所有性能指标上升，且在理想化的实验数据中，模型之间的差异不明显。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

汉字检测对我来说不是什么新鲜的内容了，因为早在之前的时候就已经有开发过相关的项目了，感兴趣的话可以自行移步阅读即可：

《基于轻量级YOLOv5开发构建汉字检测识别分析系统》

《基于轻量级目标检测模型实现手写汉字检测识别计数》

《超轻量级目标检测模型Yolo-FastestV2基于自建数据集【手写汉字检测】构建模型训练、推理完整流程超详细教程》

今天这里主要是想以汉字检测为契机，基于416x416和640x640两种不同分辨率的数据集开发构建yolov5全系列的五款模型来对比分析模型性能。

首先看小效果图：

 接下来看下数据集，数据集由实验仿真生成，如下所示：

YOLO格式标注数据文件如下所示：

 VOC格式数据标注文件如下所示：

 这里一共构建了包含20个汉字的数据集，当然了，后面想自己实现手写英文或者是数字检测的话，也都是同样的思路的，这里就不再赘述了，在我之前的文章中也都是有实例的。

接下来看下对应五款模型的设置：

【n】

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters
nc: 20  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.25  # layer channel multiple
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# Backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

# Head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

 【s】

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters
nc: 20  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

#Backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

#Head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

【m】

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters
nc: 20  # number of classes
depth_multiple: 0.67  # model depth multiple
width_multiple: 0.75  # layer channel multiple
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# Backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

# Head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

【l】

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters
nc: 20  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# Backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

# Head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

【x】

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters
nc: 20  # number of classes
depth_multiple: 1.33  # model depth multiple
width_multiple: 1.25  # layer channel multiple
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# Backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

# Head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

超参数的话都使用的默认的配置，首先我们来看在416x416分辨率下模型的结果对比情况：

【F1值曲线】

 【loss曲线】

 【Precision曲线】

 【Recall曲线】

 接下来我们来看下提升分辨率后在640x640条件下模型的对比情况，如下所示：

【F1值曲线】

 【loss曲线】

 【precision曲线】

 【recall曲线】

 综合对比来看：分辨率的提升部分结果是有所上升的，但并非所有的结果都是上升的，这个跟原始实验仿真数据比较理想是有关系的。

接下来我们以640x640为例看下详情结果：
【n】

 【s】

 【m】

 【l】

 【x】

 不拿看到：由于仿真实验数据的理想性，这里不同系列的模型呈现出来的性能差异是不明显的，不过这并不是说明模型性能差异不明显只是在当前的数据场景下没有体现出来优势而已。

下面是一些实例结果：

 

YOLOv5文字点选验证码识别
sybh的博客
02-21 3072
数据是在点选验证码的应用场景中抓取得到的，带有标注的图片355张，用于测试的无标注图片14张，另有纯背景图片15张。标注包含有语序的文字，分类为‘char’：以及图片中无序的文字，分类为‘target’：每个目标详细信息在‘shapes’列表中，对应的真实框在‘points’键值下，数据为左上角和右下角坐标同时，在键值‘text’下保存了每个目标对应的汉字，后续的特征提取训练会使用到. . ."text": "鸡",},. . .In [3]# 数据集解压!In [ ]# 查看文件结构。
基于YOLOv5的图像文字检测：文本与字符的目标识别与提取
m0_52343631的博客
03-03 658
本博客详细介绍了如何使用YOLOv5进行图像文字检测，从数据集准备、模型训练到UI界面开发，覆盖了整个过程。YOLOv5以其高效的目标检测能力，使得图像中文字的检测变得更加精准和实时。未来，可以进一步优化模型，增加对不同字体、不同语言文本的适应能力，也可以探索与OCR（光学字符识别）技术的结合，实现从图像到文本的完全自动化提取。
基于轻量级YOLOv5开发构建汉字检测识别分析系统
Together_CZ的博客
03-08 5856
基于轻量级YOLOv5开发构建汉字检测识别分析系统
YOLO的基本思想以及各个版本对比
Johnor的博客
03-28 1629
YOLO（You Only Look Once）是一种实时目标检测模型，输入通常是一个特定尺寸的图像，例如416x416像素。图像通过一个卷积神经网络（CNN）骨干网络处理，提取特征。YOLO是一种实时目标检测算法，自2015年首次发布以来，已发展到第12代。每代版本都在架构、训练方法和性能上进行了改进，适用于从自动驾驶到监控的各种应用。以下是各版本的主要变化概述，适合普通用户理解。C3k2 被描述为 YOLOv11 架构中的一个特定块。根据。
YOLOv5+PaddleOCR手写签名识别
weixin_53665577的博客
03-18 4230
使用YOLOv5+paddocr实现手写签名的识别
YOLOV5 自动刷图脚本实战（十三）之PPOCR文字识别使用
qq_38892949的博客
12-20 1224
需要先训练好自己的文字识别模型，用官方默认的v4的模型，一部份的文字识别效果不是很好，还是建议自己去训练训练好的模型，直接编译出dll库，这节课将讲述如何在Qt中去使用ppocr对游戏中的文字进行识别。
基于Yolov8算法的Python图像识别设计源码
12-05
在当前深度学习领域，Yolov8算法作为图像识别领域的重要技术，已经成为推动图像处理技术进步的核心驱动力之一。本项目提供的基于Yolov8算法的Python图像识别设计源码，其背后的技术细节和应用场景具有极高的研究价值...
基于YOLOV8结合LPRNet的复杂道路环境下车牌识别检测系统
AI算法爱好者角落
07-17 1670
本文尝试了利用深度学习技术开发一个先进的车牌检测系统，并附上了完整的实现代码。系统核心采用了强大的YOLOv8及LPRNet算法，包括mAP和F1 Score等关键指标的对比分析。文章深入探讨了YOLOv8的基础理论，并提供了相关的Python代码以及用于训练的数据集，增加了基于PySide6的直观用户界面（UI）以提升用户体验。该检测系统能够高效识别和分类图像中的各类车牌，支持从静态图片、图片集、视频文件以及实时摄像头输入进行检测。特色功能包括目标标注框、类别统计、可调节的置信度和IOU阈值、以及结果的可
基于MATLAB的YOLOv2车辆目标检测实例（100%可用含中文注释）
06-03
YOLO（You Only Look Once）是...通过这个教程，你可以掌握如何在MATLAB环境下实现YOLOv2车辆检测系统，从数据准备到模型部署的全过程。对于深入理解目标检测以及如何在实际项目中运用深度学习技术具有极大的实践价值。
YOLOv5、YOLOv8、YOLOv10系列项目最全项目合集（已更新81个项目，持续更新中）
m0_52343631的博客
10-12 4677
我们即将推出的YOLO系列专栏，涵盖YOLOv5、YOLOv8及YOLOv10的深度训练教程与PyQt界面开发实践，预计在2025年全面更新完毕。为了让更多开发者抢先体验，专栏将在2024年进行限时促销！2024年促销期间，专栏将推出限时优惠，抢先学习内容，享受专业指导，还可获得2025年更新后的全新版本！不要错过这次提升技能的绝佳机会，加入我们，一起开启智能视觉时代的新篇章。79元在目标检测领域，YOLO（You Only Look Once）系列模型凭借其速度与精度兼备的特性，成为许多项目中的首选方案。
目标检测YOLO实战应用案例100讲-基于YOLOv5的目标检测与6D位姿估计算法研究
qq_36130719的博客
07-02 3161
目前，机器人在各个领域应用广泛，工厂车间中有工件搬运机器人，医院中有语 音指导机器人，在北京冬奥会上，有做咖啡机器人、防疫机器人等。这些机器人能够 正常运作的关键就是机器视觉技术，它充当着机器人的“眼睛”，通过模拟人体，利用 视觉传感器系统去识别物体的颜色、纹理、位置等信息，然后将这些信息通过算法进 行处理从而实现对目标物体的识别、检测与定位。因此机器视觉的本质就是用机器来 模拟人的视觉感官，去处理事情，使机器更加的智能化、现代化和自动化。
Python-本项目基于yolo3与crnn实现中文自然场景文字检测及识别
08-11
本项目基于yolo3 与crnn 实现中文自然场景文字检测及识别
yolov5的Arial.ttf 字体文件
11-15
yolov5的字体，解压后对应将其放置在项目的根目录中 其网址下载路劲为：https://ultralytics.com/ass
探索考古文字场景，基于YOLOv5全系列【n/s/m/l/x】参数模型开发构建文本考古场景下的甲骨文字符图像检测识别系统
Together_CZ的博客
03-09 1467
探索考古文字场景，基于YOLOv5全系列【n/s/m/l/x】参数模型开发构建文本考古场景下的甲骨文字符图像检测识别系统
基于YOLOv10的COCO-Text数据集文字检测
最新发布
m0_52343631的博客
04-23 314
COCO-Text数据集是COCO数据集的一部分，专门用于文字检测与识别。它包含大量包含文字的图像，覆盖各种复杂的背景和环境，适用于文字检测、文字识别、文本定位等任务。COCO-Text数据集的标注方式采用YOLO格式，图像中的每个文字区域都由一个边界框和对应的类别标识符表示。YOLO（You Only Look Once）系列模型自推出以来，已经成为目标检测领域的标杆之一。高精度与实时性并重：YOLOv10在处理复杂场景时具有很高的精度，同时可以保证较快的推理速度。优秀的泛化能力。
基于YOLOv5-v7.0的LED屏幕文本字符实例分割检测识别分析系统
Together_CZ的博客
02-03 1240
基于YOLOv5-v7.0的LED屏幕文本字符实例分割检测识别分析系统
YOLOv5 + Tesseract-OCR 实现车牌号文本识别
YOLOv8项目贡献者
11-12 7402
YOLOv5 + Tesseract-OCR 实现车牌号文本识别
使用yolov8进行文本行检测
猫猫与橙子的博客
07-21 4528
yolov8不使用DFL
重磅来袭，全新发布，超大规模，基于YOLOv8全系列【n/s/m/l/x】参数模型开发构建历史考古场景下的近800种手写甲骨文字符检测识别系统
Together_CZ的博客
04-21 1366
重磅来袭，全新发布，超大规模，基于YOLOv8全系列【n/s/m/l/x】参数模型开发构建历史考古场景下的近800种手写甲骨文字符检测识别系统
yolov5文字识别
07-28
Yolov5 是一个基于深度学习的目标检测算法，它可以用于检测和识别图像中的不同物体。然而，Yolov5 本身并不适用于文字识别任务。通常，文字识别需要使用其他专门的算法或模型，如CRNN（卷积递归神经网络）或CTPN（连接文本提议网络）等。这些模型可以用于检测和识别图像中的文字，并将其转换为可编辑或可搜索的文本信息。
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

打赏作者

Together_CZ

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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