笔记Yolov5 （4-Mosaic/9-Mosaic）

已于 2022-08-29 11:07:59 修改
阅读量5.3k 收藏 88
点赞数 15
文章标签： 深度学习 python pytorch cnn 人工智能
于 2022-05-18 20:02:17 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_56247038/article/details/124849674
版权
Yolov5的数据增强策略主要在hyp.scratch-low/med/high.yaml文件中配置，关闭mosaic增强可将相应参数设为0。源码中存在4-mosaic和9-mosaic两种增强方式，默认使用4-mosaic。若要切换到9-mosaic，需在utils/datasets.py中将load_mosaic9()替换为load_mosaic()并注释原有load_mosaic()，其余设置保持不变。

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

yolov5有关数据增强的参数都写到了data/hyps/hyp.scratch-low/med/high.yaml文件里，如果想关闭mosaic数据增强就直接可以把mosaic的参数设置为0

但是在Yolov5源码中有两种mosaic数据增强代码，一个是4-mosaic数据增强，另一个是9-mosaic数据增强，默认用的是4-mosaic数据增强，如果想换成9-mosaic数据增强可以将utils/datasets.py文件中的load_mosaic9()改成load_mosaic()，然后将原本的load_mosaic()注释掉，其他不变

reference

Yolo v5 (v6.1)数据增强方式解析_迪菲赫尔曼的博客-CSDN博客

yolov5 face 训练自己的数据集优化笔记
jacke121的专栏
06-14 1024
yolov5 face 训练自己的数据集优化笔记
YOLOv9 | 利用yolov9训练自己的数据集 -＞ 推理、验证（源码解读 + 手撕结构图）
热门推荐
Snu77的博客
02-23 3万+
本文给大家带来的是全新的SOTA模型YOLOv9的基础使用教程，需要注意的是YOLOv9发布时间为2024年2月21日，截至最近的日期也没有过去几天，从其实验结果上来看，其效果无论是精度和参数量都要大于过去的一些实时检测模型，其主要创新点是两个分别是提出了Programmable Gradient Information​​（PGI）的结构以及全新的主干Generalized ELAN（GELAN）下面本文就手把手带大家来教大家如何使用自定义数据集训练YOLOv9模型，以及如何搭建环境，获取数据集/训练。
Yolov5 数据增强 - Mosaic
qq_35326529的博客
12-15 6053
Mosaic
【YOLO系列】YOLOv5架构初步学习
最新发布
wu_yanhu的博客
03-21 920
近日，本人开始忙于毕设，需要使用yolov5框架，于是着手开始学习本框架。本文章旨在记录对yolov5框架的学习经历与成果，方便本人后续的回顾与进步。在查阅资料过程中，偶遇站内大佬“路人贾'ω'”文章，遂作为参考学习。目录前言一、YOLOv5的网络结构二、输入端（1）Moasic数据增强（2）自适应锚框计算（3）自适应图片缩放三、Backbone（1）Focus模块（2）CSP结构四、Neck五、Head（1）Bounding box损失函数（2）NMS非极大值抑制六、训练策略。
yolov5 优化——mosaic相关
TigerZ*的博客
08-17 4897
Mosaic 利用了四张图片重新排布成一张图片，优点是丰富检测物体的背景、增加了很多小目标，让网络的鲁棒性更好。但是，如果我们的数据集本身就有很多的小目标，那么Mosaic数据增强会导致本来较小的目标变得更小，导致模型的泛化能力变差。如果我们的类目的关键信息是框的某个局部（某些场景你又不能标局部）那么裁切可能会将这个局部信息裁切没，导致模型无法拟合真正的信息。本文旨在如何修改mosaic来对特定场景进行调优。...
【YOLOv5】数据增强Mosaic，把Mosaic3变成Mosaic9
weixin_47665864的博客
05-06 1826
Mosaic数据增强,将图片进行随机裁剪，缩放后排列接成一张图片，实现丰富数据集，增加小样本目标，提升网络的训练速度。数据增强代码在utils/dataloaders.py,找到。更改这两个地方，就可以吧Mosaic改为Mosaic9。
yolov5的Mosaic原理解析
xu.hyj
02-19 3600
通过上述的mosaic增强后，获得4张图拼凑的图像，最后还进行了两次数据增强# Augment# 目标随机复制到其他位置，需要segments4标注信息，实际上没有所有这个增强没有任何操作# 一系列增强，img4输入是2048*2048，输出是1024*1024（也是我任务的输入尺寸）上面一系列增强的源码见，可以看到是一些常规的图像变化。
调整yolov5的mosic模式和HSV色相、对比度、亮度
Major_S的博客
03-28 1110
【代码】调整yolov5的mosic模式和HSV色相、对比度、亮度。
yolov5-mosaic图像增强技术详解
pangxing6491的博客
06-16 7292
yolov5_mosaic
Yet-Another-YOLOv4-Pytorch:YOLOv4 Pytorch实施具有所有免费赠品和特价，以及15项以上的独家改进。 易于使用！
04-01
另一个-YOLOv4-Pytorch 这是在pytorch上实现YOLOv4对象检测神经网络的实现。 我将尝试实现原始纸张的所有功能。 模型 预先训练的体重 自订课程 联合会 YOLO数据集 验证信箱 HSV转变为火车 MOSAIC的火车 ...
一个基于yolov5-5.0的中文注释版本
01-24
YOLOv5是YOLO（You Only Look Once）目标检测系列模型的最新版本，由Joseph Redmon等人在2016年首次提出。YOLO系列以其高效和准确的目标检测性能而闻名，尤其适用于实时计算机视觉任务。YOLOv5-5.0是在此系列中的一...
yolov5--datasets.py --v5.0版本-数据集加载 最新代码详细解释2021-7-5更新
菊头蝙蝠的博客
07-05 7763
https://www.jianshu.com/p/938ec124ad39
YOLOv5输入端（一）—— Mosaic数据增强|CSDN创作打卡
tt丫的博客
02-10 1万+
入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。 目录 一、原理分析 二、代码分析 1、主体部分——load_mosaic 2、load_image函数 3、random_perspective()函数（详见代码解析） 一、原理分析 YOLOv5采用和YOLOv4一样的Mosaic数据增强。 主要原理：它将一张选定的图片和随机的3张图片进行随机裁剪，再拼接到一张图上作为训练数据。 这样可以丰富图片的背景，而且四张图片拼接在一起变相提
Yolov5将默认的mosaic4改成mosaic9
wishstronger的博客
03-08 972
欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入MarkdownText-to-HTMLAuthorsJohnLuke。
yolov5如何开启和关闭mosaic(马赛克)增强
xiaqi4145
11-01 1万+
总结：将create_dataloader中的augment置为False即可关闭mosaic增强。
yolov5详解（一）
qq_43585355的博客
07-13 992
yolov5内容详解（一）
YOLOv8 Closing dataloader mosaic
joe8910的博客
05-27 7123
在使用YOLOV8训练时，epoch训练到最后10次出现”Closing dataloader mosaic"，又不是报错，但又不往下进行训练，有点懵了，后面经过了解，Yolov8是默认设置close_mosaic=10，需要把它修改为0；Mosaic 数据增强算法将多张图片按照一定比例组合成一张图片，使模型在更小的范围内识别目标，更多信息各位自动搜索学习哈！同时大家也可以了解一下Mosaic（马赛克）数据增强算法的知识。
YOLOv8改进 | 代码逐行解析(三) | YOLO中的Mosaic增强详解（带你分析你的数据集是如何输入给模型，mosaic）
Snu77的博客
07-05 4268
本文给大家带来的是YOLOv8中的Mosaic增强代码的详解，可能有部分人对于这一部分比较陌生，有的读者可能知道Mosaic增强但是不知道其工作原理，具体来说Mosaic增强就是指我们的数据集中的图片在输入给模型之前的一个处理过程（我们的图片并不是直接就输入给模型了，大家的训练结果中的结果检测图片大家可以看到数据集中多个图片会组合在一起这就是简单的Mosaic增强），下面我就来讲解一下其在YOLOv8中工作原理和代码定义，下面图片为一个Mosaic增强后的图片。目录一、本文介绍二、代码详解。
YOLOv5算法进阶改进（1）— 改进数据增强方式 + 添加CBAM注意力机制
突然好想你
11-12 2016
本节课设计了一种基于改进YOLOv5的目标检测算法。在数据增强方面使用Mosaic-9方法来对训练集进行数据增强，使得网络具有更好的泛化能力。而后，为了更进一步提升检测精度，在 backbone中嵌入了CBAM注意力机制模块，使得网络能够更好地提取到有用特征并抑制不重要特征。实验结果表明，改进后的网络在数据集上取得了良好的性能。🌈
Mosaic-9数据增强
11-28
Mosaic-9是一种数据增强算法，用于计算机视觉任务，特别是目标检测和语义分割。它通过将图像中的不同对象或不同区域组合在一起，生成新的合成图像，从而增加数据多样性并提高模型性能。 Mosaic-9数据增强算法的主要步骤包括： 1. 生成合成图像：算法将图像划分为多个小块或“mosaics”，然后将这些小块随机组合成新的合成图像。这些小块可以是不同对象或不同区域的图像块，也可以是来自同一对象的不同视角或不同光照条件下的图像块。 2. 随机重采样：在生成合成图像时，算法会随机重采样这些小块，以调整它们的大小和位置，以更好地适应新的合成图像。 3. 对象分割：在生成合成图像后，算法会根据任务的需求，将图像中的不同对象或区域进行分割和标记。这可以帮助模型更好地理解不同对象之间的关系和空间布局。 Mosaic-9数据增强算法的优点在于它能够提供更多的数据多样性，从而提高模型的泛化能力和性能。通过将不同的图像块组合在一起，生成新的合成图像，该算法可以引入新的视角、光照条件和背景信息，从而使模型能够更好地适应各种不同的实际场景。此外，该算法还可以通过对图像进行随机重采样和对象分割，进一步增强数据的多样性。 总的来说，Mosaic-9数据增强算法是一种非常有效的数据增强方法，适用于计算机视觉任务中的目标检测和语义分割等任务。它能够提供更多的数据多样性，提高模型的性能和泛化能力，从而有助于提高模型的准确性和可靠性。
评论 11
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