v3,v4,v5 backbone对比

最新推荐文章于 2024-05-21 12:57:49 发布
最新推荐文章于 2024-05-21 12:57:49 发布
阅读量145 收藏
点赞数
分类专栏： Computer Vision 文章标签： 深度学习 神经网络
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/highoooo/article/details/120076887
版权

Block：

请添加图片描述
DBL: conv+BN+LeakyRelu

在这里插入图片描述
resn：加深深度

请添加图片描述
CBM:conv+BN+Mish
CBL:conv+BN+LeakyRelu

请添加图片描述
CSPX:残差下采样

请添加图片描述
CSP1_X:残差下采样

请添加图片描述
focus 切片，通过通道数增加减少maxpool的信息丢失

V1：CONV+MAXPOOL+FC+OUTPUT
V2：CONV+MAXPOOL+AVGPOOL+OUTPUT(Darknet 3*3卷积+全局池化无全连接层)

V3：
请添加图片描述
（Darknet53）加入残差模块，增加网络深度，无maxpool ，通过resn加深网络深度，

V4：
请添加图片描述
（CSPDarknet53）结合CSPDarknet53、Mish激活函数、Dropblock
经过5次CSP模块后得到19*19大小的特征图：608->304->152->76->38->19

V5：
请添加图片描述
focus
CSPNet解决了其他大型卷积神经网络框架Backbone中网络优化的梯度信息重复问题，将梯度的变化从头到尾地集成到特征图中，因此减少了模型的参数量和FLOPS数值，既保证了推理速度和准确率，又减小了模型尺寸

highoooo
关注
专栏目录
基于Pytorch的YoLoV5 backbone 复现(上)
`or 1 or 不正经の泡泡
05-26 1210
文章目录前言V5 数据增强 前言 通过昨天和今天的努力终于是把Yolo系列的论文搞完了，大体的流程，残差的设定都差不多了，包括里面的anchor,正样本，darknet53，里面的损失函数，正样本之类的设定基本上流程是搞懂了，相关的内容也在做整理，现在是进入编码阶段。因为未来的话还是需要使用yolo去整合其他的神经网络去实现我想要的功能。前天晚上加昨天上午，也是从头开始去看看了这个复旦大学的一个和公开课16小时，课程体系和吴恩达的有点像，只是没有吴恩达细致，开拓了不少视野。还发现了一个贼有意思的玩意hopf
backbone对比
qq_32256033的博客
05-24 718
使用mmdetection训练模型--记faster-rcnn不同backbone性能比较
hedgehogbb的博客
12-15 4392
使用mmdetection训练模型--记faster-rcnn不同backbone性能比较
深度学习中backbone网络优缺点（附图文）
weixin_45074568的博客
04-12 2190
backbone VGG系列 采用连续的几个3x3的卷积核代替AlexNet中的较大卷积核（11x11，7x7，5x5），采用堆积的小卷积核是优于采用大的卷积核，因为多层非线性层可以增加网络深度来保证学习更复杂的模式，而且代价还比较小（参数更少），例如用三个33取代77后感受野不变，下面参数量对比： 一个7 x 7的卷积核参数量是 77input_channel* output_channel 三个3 x 3的卷积核参数量是 333input_channel output_channel VG
YOLOv5改进 | 主干网络 | 用EfficientNet卷积替换backbone【教程+代码 】
最新发布
kay_545
05-21 1863
YOLOv5改进，优化，efficientnet
深度学习常用的backbone有哪些
a486259的博客
09-28 1万+
深度学习中常用的backbone有resnet系列（resnet的各种变体）、NAS网络系列（RegNet）、Mobilenet系列、Darknet系列、HRNet系列、Transformer系列和ConvNet。
yolov1v2v3v4v5v6v7vv8对比
07-27
引用\[1\]:YOLOv1的backbone使用的是GoogleLeNet，速度比VGG-16快，YOLOv1完成一次前向过程只用8.52 billion 运算，而VGG-16要30.69 billion，但是YOLOv1精度稍低于VGG-16。引用\[3\]:Darknet-19是YOLOv1的网络结构...
为YOLO V5铺垫：一文看懂YOLO V1-V4的变化
09-02
- YOLO V4在V3的基础上使用了PAN（Path Aggregation Network），进一步提升对小目标的检测性能。 3. **Anchor相关**： - YOLO V1和V2使用固定尺寸的网格细胞（Cell）预测边界框，V1每个Cell预测5个框，V2则是每个...
一文读懂YOLO V5 与 YOLO V4
williamhyin的博客
07-31 8218
一文读懂YOLO V5 与 YOLO V4 YOLO之父Joseph Redmon在今年年初宣布退出计算机视觉的研究的时候，很多人都以为目标检测神器YOLO系列就此终结。然而在4月23日，继任者YOLO V4却悄无声息地来了。Alexey Bochkovskiy发表了一篇名为YOLOV4: Optimal Speed and Accuracy of Object Detection的文章。YOLO V4是YOLO系列一个重大的更新，其在COCO数据集上的平均精度(AP)和帧率精度(FPS)分别提高了10%
yolov5分割_一文读懂YOLO V5 与 YOLO V4
weixin_39528559的博客
10-25 2022
YOLO之父Joseph Redmon在今年年初宣布退出计算机视觉的研究的时候，很多人都以为目标检测神器YOLO系列就此终结。然而在4月23日，继任者YOLO V4却悄无声息地来了。Alexey Bochkovskiy发表了一篇名为YOLOV4: Optimal Speed and Accuracy of Object Detection的文章。YOLO V4是YOLO系列一个重大的更新，其在CO...
backbone与vue对比
u010099373的博客
10-10 1570
我们之前的项目都是使用的backbone；现就backbone与vue中使用的几个点做下比较 #数据模型 1. backbone的model可视为vue中的data；不同之处：vue中的data直接是数据，而backbone中的model是对象，支持继承及自定义属性，可根据复杂业务继承、封装； 2. vue中的data与视图单向绑定，不需要显示绑定；backbone中数据与视图无默认绑定，若想实...
三大JavaScript框架对比——AngularJS、BackboneJS和EmberJS
chszs的专栏
02-01 1万+
《三大JavaScript框架对比——AngularJS、BackboneJS和EmberJS》作者：chszs，转载需注明。博客主页：http://blog.csdn.net/chszs如果有心搜索的话，你能找出上百种JavaScript框架。当我们要开发一个现代化的、敏捷酷炫的网站时，JavaScript是必备的基础技术。那么问题来了，如何在这么多JavaScript框架中选取最能满足我们需求
【目标检测】YOLO框架原理总结
weixin_41977337的博客
12-07 3043
参考资料： YOLO主页 https://pjreddie.com/darknet/yolo/ YOLOv1 论文下载：http://arxiv.org/abs/1506.02640 代码下载：https://github.com/pjreddie/darknet YOLOv2&YOLO9000 工程代码地址：http://pjreddie.com/darknet/yolo/ 代码和预训练模型地址：http://pjreddie.com/yolo9000/ YOLOv3 代码下载：h.
react与backbone比较
意涵团_晴天的博客
08-17 1908
1.为什么react那么火？在web开发过程中，要将变化的数据渲染到页面上，必然需要对DOM的操作，频繁的DOM操作降低页面性能，而react的核心是虚拟DOM，并没有真实的操作DOM，而是用js构建出新的DOM树（只是一种内存数据），react将当前该DOM树与上一次的DOM树进行对比，得到DOM结构的区别，然后将需要变化的部分进行实际的DOM更新。2.Backbone Backbone帮助我们
目标检测算法横向比较，包括backbone、特征融合、loss、proposal/anchor/heatmap、NMS、正负样本设置等
ygfrancois的博客
05-27 1万+
目标检测算法发展移步：目标检测算法 本文从算法改进的方向，进行横向比较，包括backbone，特征融合、loss、proposal/anchor/heatmap、NMS、正负样本设置等 Reference：Object Detection in 20 Years: A Survey Table of Contents Backbone改进 DenseNet ResNeXt（gro...
深度学习中的Benchmark，Baseline，Backbone和SOTA的比较说明举例分析
呆呆象呆呆的博客
08-17 8299
1 Benchmark 1.1 中英文直译 基准；水准点；衡量尺度 A benchmark is something whose quality or quantity is known and which can therefore be used as a standard with which other things can be compared. 1.2 解释说明举例 是一种标准、规则，不一定是最好的，但一定是最有代表性的，已经被广泛研究且被广泛认可的，对它性能的表现形式、测量方法都非常
常用的基于ImageNet分类任务开发的backbone模型
迷路的咸鱼的博客
04-13 2400
  在目标检测、目标分割和目标跟踪等基本的视觉任务中，大多数backbone网络都是基于ImageNet上的分类任务进行开发的。虽然ImageNet比赛（ILSVRC）在2017年已经是最后一届了，但是除了比赛期间提出的经典网络，仍不断有新的深度神经网络模型涌现出来。为了在研究中更好地选择各种backbone模型，因而总结分析各种模型在精度、速度和内存等方面的对比情况，希望在实际应用中可以提供参考...
2021-03-16
weixin_40688204的博客
03-16 186
CVPR 2021 | 全新Backbone！ReXNet：助力CV任务全面涨点 CVer今天 以下文章来源于AI人工智能初学者，作者ChaucerG AI人工智能初学者 机器学习知识点总结、深度学习知识点总结以及相关垂直领域的跟进，比如CV，NLP等方面的知识。 点击下方卡片，关注“CVer”公众号 AI/CV重磅干货，第一时间送达 CVer 一个专注侃侃计算机视觉方向的公众号。计算机视觉、图像处理、机器学习、深度学习、C/C++、Python、诗和远方等。 193篇原创内容..
改进YOLOv5系列：4.YOLOv5_最新MobileOne结构换Backbone修改，超轻量型架构，移动端仅需1ms推理！苹果最新移动端高效主干网络
热门推荐
包括YOLOv5、YOLOv7、YOLOv8等模型改进
08-05 1万+
目标检测科研Trick改进推荐 | 包括Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数
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