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。