YOLO系列V4-V5

一.v4贡献

 二.BOF(让模型训练的更好，先不管模型网络结构怎么样，现在数据结构上出招，只是在训练的时候与增大难度，在测试的时候没变，并不影响实际推理速度)

 1.马赛克数据增强

2.SAT方法

 

 3.DropBlock*(DropOut没有把游戏难度提高很多，照样可以通过周围信息做推断)

 4.Label Smoothing

  

 如图。图一不用标签平滑，容易过拟合，也就是各个类别没有明确边界，另一个簇里面有一个另一类的也会识别出来。图二加上标签平滑，各个类别就更加 紧密。

三、BOS

一、损失函数处理

1.IOU损失

 

 

 

 二、SOFT-NMS

 SOFT高度重叠不直接去掉，降低得分值

   三、SPPNet(最大池化+增大感受野，模拟V3中不同大小图片的输入)

 四、CSPNet(维度越高计算量越大，但切的那一半没有计算量，从而使得计算更快，论文证明精度有一点点提升，速度有提升)

 五、CBAM

 

 六、PAN（做了改进，加了自底向上）

  

 

 

  七、激活函数

   八 

 四、YOLOV5

1.数据增强方式

 

 

 2.网络

 

 

 a.C3层

 

 

 

  b.SPP层

 

本意上是为了解决 RCNN 目标检测中不同 proposal 边框最后都能接上 FC 层，通过对卷积层施加自适应的大小3 种池化操作，最后得到结果再做 flatten到固定的大小，就可以统一接 fc ，就可以避免当时的 ROIwrap 层的 裁剪+reisze 丢失精度。