YOLOV5改进：更换为MPDIOU,实现有效涨点

已于 2023-08-10 08:30:55 修改
阅读量900 收藏 3
点赞数 1
分类专栏： YOLOV5/YOLOV7/YOLOV8改进 文章标签： YOLO 神经网络 机器学习 python
于 2023-08-09 16:54:08 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_51530640/article/details/132191701
版权

1.该文章属于YOLOV5/YOLOV7/YOLOV8改进专栏，包含大量的改进方式，主要以2023年的最新文章和2022年的文章提出改进方式。
2.提供更加详细的改进方法，如将注意力机制添加到网络的不同位置，便于做实验，也可以当做论文的创新点。
2.涨点效果：更换为MPDIOU,实现有效涨点！

 

目录

1.步骤一

2.步骤二

3.yaml文件

 

f189417dee7443e88dd0c3bbe6b68d24.png

 边界盒回归(Bounding box regression, BBR)广泛应用于目标检测和实例分割，是目标定位的重要步骤。然而，当预测框与groundtruth盒具有相同的纵横比，但宽度和高度值完全不同时，大多数现有的边界盒回归损失函数都无法优化。为了解决上述问题，我们充分挖掘水平矩形的几何特征，提出了一种新的基于最小点距离的边界盒相似性比较度量MPDIoU，该度量包含了现有损失函数中考虑的所有相关因素，即重叠或不重叠区域、中心点距离、宽度和高度偏差，同时简化

了解本专栏 订阅专栏 解锁全文 超级会员免费看
AICurator
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
专栏目录
订阅专栏
YOLOv8 损失函数改进：MPDIoU 新型边界框相似度度量
一直在水些技术小文
09-21 936
在本篇博客中，我们将重点讨论 YOLOv8 中的一个关键改进：MPDIoU（Modified Precision-Defined Intersection over Union）边界框相似度度量，以及如何将其应用于损失函数中，以提高目标检测的准确性。MPDIoU 是 YOLOv8 中的一项重要改进，它提供了更精确的边界框相似度度量，从而提高了目标检测的性能。与传统的 IoU 相比，MPDIoU 更能够准确地反映目标之间的相对位置和大小关系，从而提高了目标检测的准确性。使用 YOLOv8 进行目标检测。
YOLOv5改进实战 | 更换损失函数（三）之MPDIOU（2023最新IOU）篇
w94ghz的博客
09-19 5620
YoloV8改进策略：将CIoU替换成Wise-IoU，幸福涨点，值得拥有，还支持EIoU、GIoU、DIoU、SIoU无缝替换
08-04
YoloV8改进策略：将CIoU替换成Wise-IoU，幸福涨点，值得拥有，还支持EIoU、GIoU、DIoU、SIoU无缝替换
目标检测算法——YOLOv5/YOLOv7改进之结合轻量化网络MobileNetV3（降参提速）
热门推荐
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
10-19 2万+
深度学习Tricks，第一时间送达。目标检测算法——YOLOv5结合轻量化网络MobileNetV3。
YOLOv5改进实战 | 更换主干网络Backbone（一）之轻量化网络Ghostnet
w94ghz的博客
10-13 9417
复现YOLOv5改进最新MPDIoU:有效和准确的边界盒回归的损失，打败G/E/CIoU，效果明显！！！
qq_44224801的博客
07-27 2020
边界盒回归(Bounding box regression, BBR)广泛应用于目标检测和实例分割，是目标定位的重要步骤。然而，当预测框与groundtruth盒具有相同的纵横比，但宽度和高度值完全不同时，大多数现有的边界盒回归损失函数都无法优化。为了解决上述问题，我们充分挖掘了水平矩形的几何特征，提出了一种新的基于最小点距离的边界盒相似度比较度量MPDIoU。
实测改进YOLOv5轻量化：结合华为CV顶刊！更适用于GPU等设备的 G-GhostNet。
qq_44224801的博客
04-07 2734
本文主要针对于以往的网络结构特征冗余而设计一种新的网络，通过一些更轻量的操作来出来冗余的特征。本文针对网络部署时面临的内存和资源有限的问题，提出两种不同的Ghost模块，旨在利用成本低廉的线性运算来生成Ghost特征图。C-Ghost模块被应用于CPU等设备，并通过简单的模块堆叠实现C-GhostNet。适用于GPU等设备的G-Ghost模块利用阶段性特征冗余构建。最终实验结果表明两种模块分别实现了对应设备上精度和延迟的最佳权衡。
[YOLOv7/YOLOv5系列算法改进NO.15]网络轻量化方法深度可分离卷积
m0_70388905的博客
07-06 1万+
​前 言：作为当前先进的深度学习目标检测算法YOLOv5，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv5的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。解决问题：YOLOv5主干特征提取网络采用C3结构，带来较大的参数量，检测速度较慢，应用受限，在某些真实的应用场景如移动或者嵌入式设备，如此大而复杂的模型时难以被应用的。......
yolov5实例：气球检测.zip 实现监测气球
01-26
yolo yolov5实例：气球检测.zip 实现监测气球
YOLOv5-tf:使用TensorFlow 2实现YOLOv5
04-06
使用TensorFlow 2实现火车在config.py更改数据集路径和class_dict 在config.py选择版本可选， python generate.py为您的数据集生成锚点并在config.py更改锚点运行python train.py进行培训测试运行python test.py数据...
YOLOV5 改进实战项目【更换backbone为MobileNet】：大型海上图像目标检测数据集
最新发布
03-19
基于YOLOV5【更换backbone为MobileNet】对大型海上目标检测数据集的目标检测实战项目，包含代码、数据集、训练好的权重参数，经测试，代码可以直接使用 【数据集介绍】海上目标图像数据，类别：邮轮、小鸟、鱼、...
libtorch-yolov5:yolov5的LibTorch推理实现
04-23
对象检测算法的LibTorch推理实现。 GPU和CPU均受支持。 依存关系 Ubuntu 16.04 CUDA 10.2 OpenCV 3.4.12 LibTorch 1.6.0 TorchScript模型导出 请在此处参考官方文档： : 强制更新：开发人员需要修改原始以下...
yolov5实例：气球检测.zip 目标检测
01-26
yolo yolov5实例：气球检测.zip
【YOLOv8改进】MPDIoU：有效和准确的边界框损失回归函数 (论文笔记+引入代码)
前端路上有你有我！
01-31 4757
​边界框回归（BBR）在目标检测和实例分割中被广泛使用，这是目标定位中的一个重要步骤。然而，大多数现有的边界框回归损失函数在预测框与真实框的宽高比相同，但宽度和高度值完全不同时，无法被优化。为了解决上述问题，我们充分探索了水平矩形的几何特征，并提出了一种基于最小点距离的新颖边界框相似度比较度量MPDIoU，该度量包含了现有损失函数中考虑的所有相关因素，即重叠或非重叠区域、中心点距离以及宽度和高度的偏差，同时简化了计算过程。在此基础上，我们提出了一种基于MPDIoU的边界框回归损失函数，称为LMPDIoU。
MPDIoU: A Loss for Efficient and Accurate Bounding BoxRegression
生活如此美好，致敬每一个热爱“热爱”的人！
09-05 3838
提出了一种新的基于最小点距离的边界框相似性比较指标MPDIoU，该指标包含了现有损失函数中考虑的所有相关因素，即重叠或不重叠区域、中心点距离、宽度和高度偏差，同时简化了计算过程。在此基础上，我们提出了基于MPDIoU的边界框回归损失函数，称为LMPDIoU。实验结果表明，MPDIoU损失函数应用于最先进的实例分割(如YOLACT)和基于PASCAL VOC、MS COCO和IIIT5k训练的目标检测(如YOLOv7)模型，其性能优于现有的损失函数
yolov5实战之模型剪枝
Awesome Computer Vision, 做计算机视觉的程序员
05-24 1473
模型剪枝（Model Pruning）是一种通过减少神经网络模型中的冗余参数和连接来优化模型的方法。它旨在减小模型的大小、内存占用和计算复杂度，同时尽可能地保持模型的性能。模型剪枝的基本思想是通过识别和删除对模型性能影响较小的参数或连接，以达到模型精简和优化的目的。方法包括剪枝后的参数微调、重新训练和微调整体网络结构等。直观的理解就是像下图这样。模型剪枝可以在不显著损失模型性能的情况下，大幅度减少模型的参数量和计算量，从而提高模型的部署效率和推理速度。
改进的yolov5
小嘤熊的博客
11-06 737
为证明BottleNeckCSP 的局限性，通过修改信息路径，引入了一种新的称为 N-CSP 的功能块，减少主干中N-CSP块的数量，调整网络参数，提高计算速度。该模块结合局部和全局特征来最大化特征图的表达能力，扩展了骨干网络的感受野，并将最重要的上下文特征分离为大小目标检测。，导致特征信息丢失。因此，该模块提高了网络准确定位目标的学习能力，特别是小对象，同时以最小的计算成本增加保持快速检测速度。，一个在FPN的自顶向下路径中，另一个在PANet的自底向上路径中，用于集成不相邻和多层次特征。
YoloV8改进策略：MPDIoU超越现有的IoU，与YoloV8一起恐龙扛狼扛狼扛
m0_47867638的博客
08-25 5083
边界框回归（BBR）已广泛应用于目标检测和实例分割，这是目标定位的重要步骤。然而，现有的大多数边界框回归损失函数在预测框与地面真相框具有相同长宽比但宽度和高度值完全不同的情况下无法优化。为了解决上述问题，我们充分探索了水平矩形的几何特征，并基于最小点距离提出了一种新颖的边界框相似性比较度量MPDIoU，该度量包含了现有损失函数中考虑的所有相关因素，即重叠或非重叠区域、中心点距离以及宽度和高度偏差，同时简化了计算过程。在此基础上，我们提出了基于MPDIoU的边界框回归损失函数LMPDIoUL。
yolov7改进:多头检测器助力小目标检测,实现暴力涨点
12-09
yolov7是一种用于目标检测的神经网络模型，最新的改进是引入了多头检测器，这一改进在小目标检测方面起到了很大的作用。传统的目标检测算法在处理小目标时往往表现不佳，因为小目标的特征不够明显，很容易被忽略或误判。而多头检测器则可以同时从不同的特征层面对目标进行检测，从而提高了对小目标的检测准确性和稳定性。 这项改进的实际效果是实现了暴力涨点，也就是在小目标检测方面取得了显著的进展。通过多头检测器的辅助，yolov7可以更精确地识别和定位小目标，如行人、小动物和交通标识等，为实际应用场景中的目标检测提供了更可靠的技术支持。 总之，yolov7的多头检测器改进为小目标检测带来了新的突破，为目标检测技术的发展注入了新的活力。在未来的实际应用中，这一改进有望为各种领域的目标检测任务带来更高的效率和准确性，推动着人工智能技术在物体识别和定位方面的不断进步。

“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 3
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

AICurator

你的鼓励将是我创作的最大动力

¥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