【YOLO系列】YOLO V5模型详解

已于 2024-03-01 17:23:03 修改
阅读量3.5k 收藏 28
点赞数 19
分类专栏： 目标检测 文章标签： YOLO python
于 2024-03-01 17:21:40 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_46489757/article/details/136401639
版权

前言

        以下内容仅为个人在学习人工智能中所记录的笔记，先将目标识别算法yolo系列的整理出来分享给大家，供大家学习参考。

        本文未对论文逐句逐段翻译，而是阅读全文后，总结出的YOLO V5的思路与实现路径。

        若文中内容有误，希望大家批评指正。

资料下载

        项目地址：YOLO V5_v6

回顾：

        YOLO V1：【YOLO系列】YOLO V1论文思想详解

        YOLO V2：【YOLO系列】YOLO V2论文思想详解

        YOLO V3：【YOLO系列】 YOLOv3论文思想详解

        YOLO V4：【YOLO系列】 YOLOv4论文思想详解

        YOLO V5是是Glenn Jocher等人研发，它是Ultralytics公司的开源项目，没有相关论文。

        YOLOv5根据参数量分为了YOLOv5n（Nano）、YOLOv5s（Small）、YOLOv5m（Medium）、YOLOv5l（Large）和 YOLOv5x（Extra Large）五种类型，其参数量依次上升，当然了其效果也是越来越好。从2020年6月发布至2022年11月已经更新了7个大版本，在v7版本中还添加了语义分割的功能。

        本文以YOLOv5_v6为媒介，对YOLOv5进行学习。

        YOLO V5的5个pt文件的参数如下所示：

YOLOv5n summary: 213 layers, 1867405 parameters, 0 gradients, 4.5 GFLOPs

YOLOv5s summary: 213 layers, 7225885 parameters, 0 gradients, 16.4 GFLOPs

YOLOv5m summary: 290 layers, 21172173 parameters, 0 gradients, 48.9 GFLOPs

YOLOv5l summary: 367 layers, 46533693 parameters, 0 gradients, 109.0 GFLOPs

YOLOv5x summary: 444 layers, 86705005 parameters, 0 gradients, 205.5 GFLOPs

一、YOLO V5_v6思想

        1、在训练阶段，YOLO V5使用Mosaic数据增强来提升模型的训练速度和网络精度，自适应锚框计算（YOLO V2提出，详情可看：【YOLO系列】YOLO V2论文思想详解，【YOLO系列】 速看！YOLOv3中如何使用K-Means聚类算法生成Anchor Box）。

        2、在Backbone网络中，YOLO V5改进了YOLO V4的CSPDarkNet53网络，使用SiLu激活函数代替了YOLO V4中的Mish激活函数。

        3、在Neck网络中，YOLO V5使用SPPF替代了YOLO V4中的SPP模块来融合不同尺度大小的特征图。同时，利用自底向上的PAN特征金字塔提升网络的特征提取能力。

        4、YOLO V5的Head依然和YOLO V4一样使用了YOLO V3的head并没有做特别的改进。

        5、模型在训练前，先进行了Warmup热身，然后在采用了CosineAnnealingLR学习率下降的策略，让学习率随epoch的变化图类似于cos变化。

二、YOLO V5_v6模型结构

        YOLO V5现在已经更新到v7，但是每个版本的核心架构都是大差不差的。

        在v1~v4的版本，YOLOV5的Backbone几乎没有变化，最多是每个卷积后激活函数变了，并且都只是用了两次upsample来输入特征图来做detect；

        从v5开始，模型neck的深度变大了，也就是做了三次upsample来输出特征图做最后的预测；

        到v6，模型删除foucs，将SPP替换成了SPPF；

        v7版本又加上了语义分割的功能，其余的变化并不大。

        接下来我把v1~v6版本的模型结构都给出来，供大家参考，每个版本均有yolov5s为基础。

1、YOLO V5粗略图

        （1）v1~v4

        （2）v5~v6

2、YOLO V5详细图

        （1）v3

        v2和v1就是把下图中CONV模块中的激活函数换成LeakyReLU即可

        （2）v4

        （3）v5

        （4）v6

关注公众号，获取200+本Python、人工智能相关学习资料

 

【YOLO系列】YOLOv5超详细解读（源码详解＋入门实践＋改进）
路人贾的博客
03-03 20万+
一文带你详细了解YOLOv5（含YOLO系列论文讲解+源码详解+入门实践+算法改进）
【YOLO系列】YOLO.v4 & YOLO.v5算法原理详解
deepsprings的博客
08-15 3425
详细介绍了yolo系列目标检测算法的原理和发展过程。
yoloV5模型中，x,s,n,m,l分别有什么不同
zootopia20169172的博客
03-21 4万+
YOLOv5 的不同变体（如 YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x 和 YOLOv5n）表示不同大小和复杂性的模型。这些变体在速度和准确度之间提供了不同的权衡，以适应不同的计算能力和实时性需求。适用于需要极高准确度的任务，且具有强大计算能力（如 GPU）的设备。YOLOv5n 在保持较快速度的同时，提供适用于边缘设备的准确度。YOLOv5m 在速度和准确度之间提供了较好的平衡，适用于具有一定计算能力的设备。在选择合适的模型时，主要考虑设备的计算能力和任务对准确度的要求。
关于yolov5训练的那些事儿
lsyhaoshuai的博客
06-16 1030
1.YOLOv5 的模型系列包括从最小到最大的多种模型：YOLOv5n（Nano），YOLOv5s（Small），YOLOv5m（Medium），YOLOv5l（Large），以及 YOLOv5x（Extra Large）。高计算复杂度：由于网络深度和宽度的增加，YOLOv5x 的计算量也显著增加，这需要更多的计算资源（如 GPU 内存和计算能力）。最大规模的模型：YOLOv5x 拥有最深的网络层数和最宽的通道数，这使得它在复杂任务上具有更高的表现力和精度。按 Ctrl+A 然后按 D 键将会话断开。
《深度学习》——YOLOv5详解
最新发布
will be blogging
03-30 1923
YOLOv5 是一种目标检测算法，属于 YOLO（You Only Look Once）系列的第5代版本。YOLOv5 是一个广泛使用的目标检测算法，它基于 YOLO（You Only Look Once）系列的思想，具有速度快、精度高的特点。它和YOLOv4的区别是v4是属于学术上的，而v5增加了工程上的使用。它在目标检测领域有着重要地位，结合了许多先进的技术，在速度和精度上取得了较好的平衡。主要特点。
yolov5模型.zip
06-18
yoloV5预训练模型，官方给的是谷歌网盘下载地址，下载速度较慢，压缩包包含yolov3-spp.pt，yolov5l.pt，yolov5m.pt，yolov5s.pt，yolov5x.pt
YOLOv5模型简述
qq_44926214的博客
11-17 2万+
Yolov5是一种高效、准确的目标检测算法，它在模型结构和训练策略上进行了改进并取得了很好的性能。它已经成为目标检测领域的研究热点，并得到了广泛的应用和推广。
【目标检测】yolov5模型详解
酒酿小圆子呀～
05-30 3万+
yolov5于2020年由glenn-jocher首次提出，直至今日yolov5仍然在不断进行升级迭代。Yolov5有YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四个版本。文件中，这几个模型的结构基本一样，不同的是depth_multiple模型深度和width_multiple模型宽度这两个参数。
YOLOv5网络模型的结构原理讲解（全）
热门推荐
码农研究僧的博客
04-25 8万+
YOLOv5有几种不同的架构，各网络模型算法性能分别如下： YOLOv5是一种目标检测算法，其模型结构主要包括以下组成部分：输入端：YOLOv5的Head网络由3个不同的输出层组成，分别负责检测大中小尺度的目标。Backbone网络：YOLOv5使用CSPDarknet53作为其主干网络，其具有较强的特征提取能力和计算效率。Neck网络：YOLOv5使用的是FPN(FPN网络能够在不同的特征图层次上进行检测，可以提高目标检测的性能)网络，可以融合来自不同特征图层次的信息。输出端：损失函数，YOLOv5使用的
【YOLO学习】YOLOv5详解
m0_62881487的博客
10-18 1万+
2. SPPF 结构是将输入串行通过多个 5x5 大小的 MaxPool 层，这里需要注意的是串行两个 5x5 大小的 MaxPool 层是和一个 9x9 大小的 MaxPool 层计算结果是一样的，串行三个 5x5 大小的 MaxPool 层是和一个 13x13 大小的 MaxPool 层计算结果是一样的。1. Focus 结构类似于 YOLOv2中的 passthrough，是一种用于特征提取的卷积神经网络层，用于将输入特征图中的信息进行压缩和组合，从而提取出更高层次的特征表示。
yolo v5 模型使用说明
03-11
- [YOLO-V5-超参数介绍及优化策略](https://blog.csdn.net/qq_51331745/article/details/121990344) 以上内容详细介绍了 YOLOv5 的使用流程、关键配置项及其意义，希望能帮助读者更好地理解和应用这一先进的目标...
yolov5_models.zip
06-24
YOLOv5模型下载，可通过训练好的模型实现YOLOv5目标检测，相比YOLOv4，检测速度更快，体积更小
YOLOV5模型下载
04-17
yolov5s.pt yolov5x.pt yolov5m.pt yolov5l.pt模型
yolov5-v0.3模型.zip
08-16
yolov5最近有更新，用以前的模型，跑最新的代码会报错，这里上传最新的模型-对应yolov5v3.0。 我遇到的错误是：torch.nn.modules.module.ModuleAttributeError: 'Detect' object has no attribute 'm' 更新一下模型即可。
YOLO v5目标检测模型
Joejwu的博客
07-03 3838
mAP的计算则是在某个设置的交并比阈值下，该数据集上所有类别的平均精度AP的平均值，例如常见的mAP50表示的是在交并比阈值设置为0.5时，所有类别平均精度的均值，而mAP50:95则表示的是交并比阈值从初值0.5开始，以0.05为步长增长到0.95的情况下，得到的10个mAP的均值。同理，40×40的特征图适用于检测中等大小的目标。Mosaic增强主要用来提高小目标的检测效果，在中，定义的小目标大小为低于32×32像素值的，中目标大小为低于96×96，高于32×32的，大目标为高于96×96的；
YOLO v5与YOLO v8框图比较
weixin_39818775的博客
06-11 1801
YOLO (You Only Look Once) 是一个用于目标检测的卷积神经网络模型，以其高精度、高速度和易用性著称。YOLO v5 是目前最流行的 YOLO 版本之一，而 YOLO v8 是 YOLO 的最新版本。YOLO 系列模型是目标检测领域的代表性模型，具有精度高、速度快、易用的特点。YOLO v8 是 YOLO 的最新版本，在性能和精度方面都有了显著提升。
YOLOV5模型详解
weixin_42117855的博客
08-24 1574
总结一下，YOLO v5和前YOLO系列相比的改进：(1)增加了正样本: 方法是邻域的正样本anchor匹配策略。(2) 通过灵活的配置参数，可以得到不同复杂度的模型。(3) 通过一些内置的超参优化策略，提升整体性能。(4)和yolov4一样，都用了mosaic增强，提升小物体检测性能。
yolov5模型框架详解
重剑无锋博客
03-03 6万+
yolov5和yolov4很像 Mosaic数据增强 1、每次读取四张图片。 2、分别对四张图片进行翻转、缩放、色域变化等，并且按照四个方向位置摆好。 3、进行图片的组合和框的组合 对于小目标的检测效果还是很不错的 自适应锚框计算 在Yolo算法中，针对不同的数据集，都会有初始设定长宽的锚框。 在网络训练中，网络在初始锚框的基础上输出预测框，进而和真实框groundtruth进行比对，计算两者差距，再反向更新，迭代网络参数。 因此初始锚框也是比较重要的一部分，比如Yolov5在Coco数..
《深度学习》——yolov4详解
will be blogging
03-30 982
YOLOv4 是一种目标检测算法，属于 YOLO（You Only Look Once）系列的第四代版本。它在目标检测领域有着重要地位，结合了许多先进的技术，在速度和精度上取得了较好的平衡。主要特点高效的检测速度：和传统的目标检测算法相比，YOLOv4 速度极快，能够实时处理视频流，这让它可以在对实时性要求较高的场景中使用，比如自动驾驶、视频监控等。高检测精度：它通过采用一系列先进的技术和改进的网络结构，在目标检测精度上有了显著提升，能够较为准确地识别出图像或视频中的不同目标。
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