YOLOV5改进-Optimal Transport Assignment

最新推荐文章于 2025-04-09 23:22:22 发布
最新推荐文章于 2025-04-09 23:22:22 发布
阅读量897 收藏 3
点赞数
分类专栏： YOLOV5改进 文章标签： YOLO 人工智能
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_46700884/article/details/131555161
版权
本文介绍了如何在YOLOV5中引入OptimalTransportAssignment来优化损失函数，通过修改YOLOV5的loss.py和train.py、val.py文件，替换计算损失的方法并进行训练，从而提升模型性能。

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

YOLOV5改进-Optimal Transport Assignment
使用Optimal Transport Assignment优化Loss

项目代码：https://github.com/z1069614715/objectdetection_script

（博主：魔鬼面具）

Optimal Transport Assignment简介

1、首先找到该loss.py 

2、在官网下载yolov5的源代码  ，用pycham打开 

（ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite (github.com)）

 

3、复制步骤1中loss.py中的内容，并将它粘贴到步骤2中/YOLOV5-MASTER/utils/loss.py内容最后面，结果如下图所示，从237行开始。

 4、打开train.py

！将from utils.loss import Compute 修改为from utils.loss import ComputeOTA

！将compute_loss = ComputeLoss(model)修改为compute_loss = ComputeLossOTA(model)

！前向推理部分要额外增加一个参数imgs

 

 5、打开val.py，在# loss 中增加一个参数 im

 

之后就可以进行训练了！

芒果YOLOv7改进21：WDLA标签分配策略篇：原创之最新改进Wasserstein Distance Label Assignment，用于小目标检测，一种新的包围框相似度度量
包括YOLOv5、YOLOv7、YOLOv8等模型改进
09-10 903
YOLOv7改进｜使用WDLA标签分配策略，最新改进用于小目标检测🍊
芒果YOLOv10改进30：动态标签分配策略之DDLA：最新改进Wasserstein Distance Label Assignment，用于小目标检测，提升小目标检测精度，芒果独家原创，全网独一份
包括YOLOv5、YOLOv7、YOLOv8等模型改进
06-09 545
YOLOv10改进：动态标签分配策略之DDLA：最新改进Wasserstein Distance Label Assignment，用于小目标检测，提升小目标检测精度，芒果独家原创，全网独一份
YOLOV8添加注意力机制（自己的学习笔记而已）
game031029的博客
11-09 779
2.修改tasks.py中的代码，一个pycharm里的，一个是上面文件夹里的。第一条是训练，第二条是验证，第三条是测试（推理），每次只能运行一条。这里以MHSA.py为例（含通道，还有种不含通道的）在pycharm和另外一个文件夹下添加MHSA.py。3.新建MHSA.yaml文件（工程里我打错了）一、YOLOV8代码本身已经导入的注意力机制。1、把注意力机制代码从网上复制下来。这里给出“魔鬼面具”的开源注意机制。5.查看是否成功添加注意力机制。二、不是本身有的注意力机制。4.运行MAIN.py。
[OTA]Optimal Transport Assignment for Object Detection(CVPR. 2021)
Ah丶Weii
07-14 2540
1. Motivation DeTR [3] examines the idea of global optimal matching. But the Hungarian algo- rithm they adopted can only work in a one-to-one assign- ment manner. One-to-Many 的方法。 So far, for the CNN based detectors in one-to-many scenarios, a global .
（超详细）1-YOLOV5改进-Optimal Transport Assignment
qq_44421796的博客
01-10 821
Optimal Transport Assignment（OTA）是YOLOv5中的一个改进，它是一种更优的目标检测框架，可以在保证检测精度的同时，大幅提升检测速度。（2）再将258行的ComputeLoss改成ComputeLossOTA(大家根据自己的代码行数看，有时候行数对不上，但找到对应代码就可以)（1）将58行的ComputeLoss改成ComputeLossOTA(大家根据自己的代码行数看，有时候行数对不上，但找到对应代码就可以)将214行加一个im，具体如图，之后要保存！
【目标检测】36、OTA: Optimal Transport Assignment for Object Detection
呆呆的猫的博客
09-01 6065
作者认为，独立的给每个 gt 分配 pos/neg 不是最优的方法，缺失了上下文信息，当处理那些模棱两可的 anchor 时（如图 1 中的红色点，一个点处于多个 gt 中），上面的方法是靠手工的特征来选定属于哪个 gt 的（如 max-IoU、min-Area 等）在目标检测的上下文中，假设有 m 个 gt，n 个 anchor，把 gt 看做 positive labels 的供货商，供应 label，anchor 看做需求方，需要 label。...
【YOLOv5改进系列(3)】高效涨点----Optimal Transport Assignment：OTA最优传输方法
慕溪同学的博客
03-21 1599
Optimal Transport Assignment最优传输方法是在21年提出来的，主要用于密集物体检测，本次使用的数据集是热轧钢带的六种典型表面缺陷数据集，因为我使用的图像数据集的物体不够密集，虽然有所涨点，但是涨点并没有原论文中效果那么好，并且在训练过程中会发现使用最优传输方法的计算量比较大，使用同一个数据集训练，训练时间大约是正常训练的3倍。
yolov5改进的
03-25
- **动态标签分配策略**：使用$OTA$（Optimal Transport Assignment）优化正负样本分配。 --- #### **二、损失函数优化** 1. **边界框损失改进** - 将默认的$CIoU\ Loss$替换为$Focal-EIoU\ Loss$，缓解目标...
YOLOv5改进版人群密度检测系统开发及模型训练
- 在损失函数方面，系统应用了Soft-NMS（非极大值抑制）和最优运输分配（Optimal Transport Assignment，OTA）技术。Soft-NMS是一种改进的NMS方法，可以在抑制重叠检测框的同时保持有效检测框不受损失；OTA则是用于...
芒果YOLOv12改进30：动态标签分配策略篇之WDLA：最新改进Wasserstein Distance Label Assignment，提升小目标检测精度，芒果独家原创，全网独一份
最新发布
包括YOLOv5、YOLOv7、YOLOv8等模型改进
04-09 17
芒果YOLOv12改进30：动态标签分配策略篇之WDLA：最新改进Wasserstein Distance Label Assignment，提升小目标检测精度，芒果独家原创，全网独一份
OTA: Optimal Transport Assignment for Object Detection 原理与代码解读
00000cj的博客
11-23 3115
从 \(gt_{i}\) 传输一个正标签到anchor \(a_{j}\) 的运输成本 \(f^{fg}\) 定义为它们之间的分类损失和回归损失的加权和。其中 \(\oslash\) 表示背景类，把 \(c^{bg}\in \mathbb{R}^{1\times n}\) 拼接到 \(c^{fg}\in \mathbb{R}^{m\times n}\) 的最后一行即得到了完整的cost matrix \(c\in \mathbb{R}^{(m+1)\times n}\)。在标准的最优传输问题中，
论文解读OTA: Optimal Transport Assignment for Object Detection
a486259的博客
01-13 1395
在目标检测中标签分配的最新进展主要寻求为每个GT对象独立定义正/负训练样本。在本文中，我们创新性地从全局的角度重新审视标签分配，并提出将分配程序制定为一个最优传输（OT）问题——优化理论中一个被充分研究的课题。具体来说，我们将每个需求方（锚框）和供应商（GT标签）的单位传输成本定义为他们的分类和回归损失加权之和。在公式化后，找到最好的分配方案即为最小传播成本解决最优传输方案，这可以使用Sinkhorn-Knopp迭代求解。在COCO中，一个使用最优传输分配（Optimal Transport Assignm
YOLOV5改进-loss-Optimal Transport Assignment(OTA)
qq_69854365的博客
05-22 1789
OTA源于2021年cvpr的论文，我认为就是使训练和验证的标签有着更好的对应关系，01提出了一种基于优化策略的标签分配方式，通过最小化loss，让网络自己学习最优的标签分配方式。将真实标签(GT)看做标签(label)供应商，锚框(anchor ) 看做标签(label)的需求方。对于不同样本有不同的loss。对于正样本，将分类和回归的 loss 加权和作为传输loss。对于负样本，传输loss就为分类 loss。
Optimal Transport Assignment-OTA论文阅读笔记
wentinghappyday的博客
11-17 271
OTA算法，目标检测的标签分配算法，yolox的分配算法基础
YOLOV8最强操作教程.
热门推荐
qq_37706472的博客
01-13 8万+
yolov8详细训练，验证，推理教程。还带哔哩哔哩操作视频讲解喔，包你秒懂！
YOLOv8训练时无法找到数据集中图像的路径解决
qq_57382092的博客
01-19 6333
在学习博主 魔鬼面具 的YOLOv8部署时，出现“Dataset 'data.yaml' images not found”的问题，根据提示去修改“C:\Users\AppData\Roaming\Ultralytics\settings.yaml”配置文件，将“datasets_dir”的路径修改为“ultralytics-main”的绝对路径即可，路径为dataset的上一级目录地址，如下：
YOLOV5中添加Task-Specific Context Decoupling
weixin_45459097的博客
04-08 1540
运行时报错1：注意若之后运行时报错module 'torch' has no attribute 'concat'，将SCE类中的torch.concat()改成torch.cat()。（版本低的torch中没有concat的模块，cat和concat只是别名而已，直接修改完之后成功解决报错。
YOLO系列模型改进指南
qq_37706472的博客
03-05 7万+
YOLO主流模型改进大杂烩！！！ 目前包含yolov5，yolov7，yolov8模型的众多改进方案，效果因数据集和参数而定，仅供参考。
评论 1
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