YOLOv4中的tricks概念总结——Bag of freebies

已于 2022-07-03 13:19:46 修改
阅读量2.9k 收藏
点赞数 1
分类专栏： Machine Learning 文章标签： 人工智能
于 2021-12-31 14:23:21 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/m0_37957160/article/details/122254965
版权

参考链接：

https://blog.csdn.net/weixin_38688399/article/details/106692156
https://www.cnblogs.com/yymn/articles/13672236.html
opencv学堂的文章：想读懂YOLOV4，你需要先了解下列技术(一)
https://zhuanlan.zhihu.com/p/104236411
https://www.bilibili.com/video/BV1yi4y1g7ro?p=4

https://blog.csdn.net/weixin_44751294/article/details/117987180

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Upupup6
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
论文笔记:Bag of Freebies for Training Object Detection Neural Networks
水不在深有江的博客
02-23 5664
这篇论文看起来像是一种总结类文章，文中并没有提出新的结构模型之类，但是对于以前的一些做法进行了整合并应用于baseline中。也就是文中一再强调的“Bag of Freebies”，即在不改变模型结构并且不改变损失函数的情况下，不牺牲前向传播时间，将mAP提升近五个点。 论文主要贡献如下： 首次系统地评估了不同目标检测流程中应用的多种训练启发式方法，为未来的研究提供了有价值的实践指导。 提出...
Bag of Freebies for Training Object Detection Neural Networks学习笔记
热门推荐
何少的博客
01-08 1万+
论文：Bag of Freebies for Training Object Detection Neural Networks 发表日期：2019.2.11 github:GluonCV,模型的预训练权重可在GluonCV工具包中获得。 本文介绍一篇很棒的目标检测训练技巧论文。该论文是由Amazon Web Services 提出，其中作者团队中就有李沐等大神。之前Amazon还提出图像分类的T...
Bag of Freebies for Training Object Detection Neural Networks.pdf
05-12
目标检测训练秘籍，Bag of Freebies for Training Object Detection Neural Networks.pdf
Bag of Freebies(免费包)和Bag-of-Specials(特赠包)
qq_16009377的博客
04-20 1985
Bag of Freebies：指的是那些不增加模型复杂度，也不增加推理的计算量的训练方法技巧，来提高模型的准确度 https://zhuanlan.zhihu.com/p/141878389 Bag-of-Specials：指的是那些增加少许模型复杂度或计算量的训练技巧，但可以显著提高模型的准确度 https://zhuanlan.zhihu.com/p/307303944 BoF指的是 1）数据增强：图像几何变换（随机缩放，裁剪，旋转），Cutm
论文阅读笔记06：Bag of Freebies for Training Object Detection Neural Networks
不撸先疯。
05-11 210
paper：https://arxiv.org/pdf/1902.04103.pdf code：https://github.com/ dmlc/gluon-cv 这是一篇目标检测的论文，发布于2019年，将YOLOv3的精度提升5%左右，其他例如Faster R-CNN的精度也略有提升。 （也是课程《计算机视觉》的大作业总结） 写在前面： 目标检测无疑是计算机视觉领域最前沿的应用之一，吸引了各个领域诸多研究者的目光。最前沿的检测器，包括类似RCNN的单阶段（SSD或YOLO）或多阶神经网络都是基
Yolov3_tricks
03-08
YOLOV3的pytorch版本中嵌入了许多技巧 在Darknet上添加我的新模块很麻烦，然后我在Pytorch上实现了带有许多技巧的完整版yolov3 详尽的中文注释！ 表现 地图 车 人 自行车 官方基准 74.3％ 85.6％ 79.4％ 58.0％ ...
yoloV4.pdf
04-29
yoloV4速度效率双提升。将 AP 和 FPS 分别提高了10%和12%。该论文是非常好的目标检测学习资料。详细讲解了各种tricks的效果。
Bag of Tricks-crx插件
04-02
总结来说，"Bag of Tricks-crx插件"是一个针对法语用户的浏览器扩展，它通过一系列功能和技巧提升用户的在线体验。理解这类工具的运作原理、安装方法、安全注意事项以及可能包含的各种功能，对于日常网络生活和IT...
magician-Extensible bag of tricks for Dynamis CRM developers and
05-16
magician_Extensible bag of tricks for Dynamis CRM developers and administrators in the form of a material design windows app-0.3.0
一文总结YOLOv4所列的Bag of freebies
weixin_38688399的博客
06-11 4445
这里写自定义目录标题YOLOv4目标检测架构功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 YOLOv4 YOLOv4其实是一个结合了大量前人研究技术，加以组合并进行适当创新的高水平论文，实现了速度和精度的完美平衡。 论文总结了大
论文阅读：Bag of Freebies for Training Object Detection Neural Networks
j879159541的博客
06-15 236
文章目录1、论文总述2、mixup操作图示3、the major difference between one-stage and so called multi-stage object detection data pipelines.4、warmup lr防止训练初期的梯度爆炸参考文献 1、论文总述 这篇论文首次提出了mixup数据增强方法在目标检测里应该如何使用，提供了几个目标检测网络训练时的tricks供我们使用，这几个tricks并不增加网络参数，只是在网络训练时使用，网络推理时没有额外的花销
目标检测优化技巧（Bag of Freebies for Training Object Detection Neural Networks）
mingo_敏
03-24 1635
关于Mu Li关于图像分类优化技巧的文章见 图像分类优化技巧（Bag of Tricks for Image Classification with Convolutional Neural Networks） Bag of Freebies for Training Object Detection Neural Networks，李沐大神19年2月的新作，用卷积神经网络进行目标检测的一些技巧。...
《Bag of Freebies for Training Object Detection Neural Networks》论文理解
去远方
02-23 510
摘要: 目标检测训练与图像分类模型的研究相比，相对缺少普遍性。由于网络结构和优化目标明显更加复杂，因此针对某些检测算法而不是其他检测算法专门设计了各种训练策略和 pipelines。在这项工作中，我们探索了有助于将最先进的目标检测模型的性能提升到一个新水平而不牺牲推理（inference）速度的通用方法。我们的实验表明，这些训练秘籍（freebies）可以在精度上增加5％，因此每个人都应该考虑在...
目标检测调优技巧：《Bag of Freebies for Training Object Detection Neural Networks》论文笔记
m_buddy的博客
03-12 686
1. 概述 这篇文章主要将介绍了一些在目标检测算法中的一些优化技巧，在优化过程中并不会修改网络，或者带来额外的计算量开销。文章的可以概括如下： 1）对于目标检测提出一种基于视觉相关的图像混合方法； 2）探究了详细的网络训练方法，包括损失函数、学习率、权重衰减以及多设备BN参数同步； 3）在单阶段与两阶段检测算法中检测提出技巧进行了对比。 使用文章中的方法进行优化，得到的优化见下图，至少提升了1个点...
深度学习笔记（入门）
Brillian123的博客
01-17 2406
深度学习的一些基本概念，在阅读论文的过程中记录下来
YOLO 系列论文精读 & YOLOv4
Flying Bulldog 的博客
08-25 2079
YOLO系列的论文已经告一段落，期间也精读了DETR系列的一些论文，颇有感受。YOLOv4更像是一篇总结性的文章，具体描述了整个模型的各个阶段，并对每个阶段的经典算法进行了研究和消融实验，值得我们重新思考神经网络模型的框架。我们提供了一个最先进的探测器，它比所有可用的替代探测器更快( FPS )和更准确的( MS COCO AP50 ... 95和AP50)。所描述的探测器可以在具有8 - 16GB - VRAM的传统GPU上训练和使用，这使得它的广泛应用成为可能。...
Bag of Freebies for Training Object Detection Neural Networks
嘿芝麻的树洞
02-16 2900
李沐等将目标检测绝对精度提升 5%，不牺牲推理速度。 目标检测无疑是计算机视觉领域最前沿的应用之一，吸引了各个领域诸多研究者的目光。最前沿的检测器，包括类似 RCNN 的单（SSD 或 YOLO）或多阶神经网络都是基于图像分类骨干网络，如 VGG、ResNet、Inception 或 MobileNet 系列。 然而，由于模型容量和训练复杂度相对较高，目标检测受到的关注相对较少，从最近的训练微调研...
yolov5的Tricks
最新发布
09-12
YOLOv5中使用的Tricks基本上和YOLOv4一致，并在此基础上引入了更多的工程优化逻辑。具体来说，YOLOv5使用了一些技巧来提高物体检测的准确性和效率。其中一些Tricks包括： 1. Mosaic数据增强：YOLOv5使用了Mosaic数据增强技术，将多个不同的训练图像拼接成一个大的训练图像，从而提高了模型的泛化能力和鲁棒性。 2. DropBlock正则化：YOLOv5使用了DropBlock正则化技术，通过随机丢弃一些特征图上的区域，来防止模型过拟合，并提高模型的泛化能力。 3. PANet特征融合：YOLOv5引入了PANet（Path Aggregation Network）特征融合模块，可以在不同尺度上融合特征，从而提高物体检测的准确性。 4. CSPDarknet53骨干网络：YOLOv5使用了CSPDarknet53作为骨干网络，该网络结构在YOLOv4的基础上进行了改进，提高了网络的表达能力和特征提取能力。 这些Tricks的使用使得YOLOv5在物体检测任务中取得了较好的性能，同时也提高了训练和推理的效率。

“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

打赏作者

Upupup6

写手不易请留下你的打赏鼓励谢谢

¥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