万字长文带你搞懂yolov5和yolov8以及目标检测相关面试

已于 2024-08-30 12:44:55 修改
阅读量1.5k 收藏 33
点赞数 12
分类专栏： C++ 文章标签： YOLO 目标检测 目标跟踪
于 2024-07-23 12:56:11 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_71124168/article/details/140628979
版权

一、与yoloV4相比，yoloV5的改进

  • 输入端：在模型训练阶段，使用了Mosaic数据增强、自适应锚框计算、自适应图片缩放
  • 基准网络：使用了FOCUS结构和CSP结构
  • Neck网络：在Backbone和最后的Head输出层之间插入FPN_PAN结构
  • Head输出层：训练时的损失函数GIOU_Loss，预测筛选框的DIOU_nms

二、yolov5网络结构

预处理

在模型预处理阶段，使用了Mosaic数据增强、自适应锚框计算、自适应图片缩放

CutMix：将2张图进行拼接

Mosaic：在CutMix基础上进行改进，采用4张图片，按照随机缩放，随机裁剪和随机排布的方式进行拼接

优点：将几张图组合成一张图，不仅可以丰富数据集，极大的提升网络训练速度，降低模型内存

自适应锚框计算（可选）

就是model的y

了解本专栏 订阅专栏 解锁全文 超级会员免费看
起个别名
关注
专栏目录
订阅专栏
【YOLO系列】YOLOv5超详细解读（源码详解＋入门实践＋改进）
路人贾的博客
03-03 14万+
一文带你详细了解YOLOv5（含YOLO系列论文讲解+源码详解+入门实践+算法改进）
YOLO V5 和 YOLO V8 对比学习
替这位空想家惊讶
08-31 4127
参考文章： 1、YOLOv5 深度剖析 2、如何看待YOLOv8，YOLOv5作者开源新作，它来了！? 3、anchor的简单理解 YOLO v8的Head 部分相比 YOLOv5 改动较大，换成了目前主流的解耦头结构，将分类和检测头分离，同时也从 Anchor-Based 换成了 Anchor-Free。anchor-based和anchor-free方法的本质区别，就是如何定义正负样本。 Anchor-Based：事先通过手工或聚类方法设定好的具有不同尺寸、宽高比的方框anchor_boxes。这些方框
目标检测篇--YOLOv5原理篇
luralying的博客
06-11 2196
SPPF（空间金字塔），首先通过一个标准卷积将输入通道减半，然后分别做kernel-size为5，9，13的maxpooling（对于不同的核大小，padding是自适应的）。由于实际使用的图片很多图片的长宽比例不同，因此在缩放填充后，两端都会有黑边，如果填充过多，则会存在大量信息冗余，从而影响整个算法的推理速度。例如，images大学为608。在网络训练阶段，模型在初始锚点框的基础上输出对应地预测框，计算与GT框之间的差距，并执行反向更新操作，从而更新网络的参数，因此初始点锚框的设置也非常关键。
YOLOv5超详细环境搭建以及模型训练（GPU版本）
2401_85556416的博客
08-24 2273
右键点击【我的电脑】(此电脑)--【属性】--点击【高级系统设置】--【高级】--【环境变量】-找到系统变量下的【Path】--右侧点击【新建】，按照我标红框的进行添加即可。点击【File】-->【setting】-->【Project】-->【Python Interpreter】-->【Add Interpreter】-->【Add Local Interpreter】方法二：【鼠标右键桌面】--【显示更多选项】--【NVIDIA控制面板】--在控制面板的左下角点击【系统信息】--选择【组件】
从盘古开天辟地教你使用yolov5（一万六千字）
ldz1221的博客
04-10 4998
我是一个刚学习yolo几个月的大学生，深切体会刚接触yolo时找不到一篇完整的入门文章的迷茫，谨以此篇文章，自成体系，总结学习yolov5从0到1的过程，文章若有不当之处，恳请各位批评指正。我始终觉得，科研的进步，不过是一堆石头堆在另一堆石头上，以此更上一层楼。愿这篇文章可以化为一颗小沙粒，为后来者奠定基础。
Yolov5代码解析(输入端、BackBone、Neck、输出端))
m0_62396648的博客
06-19 1万+
正负样本都是针对于算法经过处理生成的框，用于计算损失，而在预测过程和验证过程是没有这个概念的。正例用来使预测结果更靠近真实值的，负例用来使预测结果更远离除了真实值之外的值的。正负样本的比例最好为1：1到1：2左右，数量差距不能太悬殊，特别是正样本数量本来就不太多的情况下。如果负样本远多于正样本，则负样本会淹没正样本的损失，从而降低网络收敛的效率与检测精度。这就是目标检测中常见的正负样本不均衡问题，解决方案之一是增加正样本数。
yolov8和yolov5对比
weixin_63694345的博客
01-14 8046
都是基于 DarkNet-53 模型的现代目标检测器，它们都具有一些共同的特性，如使用锚框来提升检测准确性以及非极大值抑制（NMS）技术来减少误检。然而，两者在这些特性方面的实现有所不同，这影响了它们的性能和应用场景。综上所述，如果您的目标是进行实时的小物体检测，YOLOv5 将是一个不错的选择。而对于需要高准确率的检测任务，YOLOv8 会提供更高的性能。
​yolov8和yolov5​主要区别
最新发布
KIKI3666的博客
09-04 1323
在同一个像素点上，生成多个不同大小和比例的候选框，覆盖几乎所有位置和尺度，每个参考框负责检测与其交并比大于阈值 (训练预设值，常用0.5或0.7) 的目标，然后通过anchor中有没有认识的目标和目标框偏离参考框的偏移量完成目标检测，不再需要多尺度遍历滑窗，极大的提升了速度。Decoupled Head不仅是模型精度上会提高，同时网络的收敛速度也加快了，使用Decoupled Head的表达能力更好，增强了模型的鲁棒性，可以更好地建模位置和类别之间的关系，提高目标检测性能。相对简洁，无需设计大量的锚框。
yolov5和yolov8的区别是什么
weixin_35750483的博客
02-12 1万+
YOLOv5 和 YOLOv8 是两种不同版本的 YOLO (You Only Look Once) 实现，它们是用于目标检测的开源深度学习模型。主要区别如下： 模型架构：YOLOv5 使用了一个简单的卷积神经网络 (CNN) 架构，而 YOLOv8 则使用了更加复杂的网络架构，包括多个残差单元 (Residual Unit) 和多个分支。 速度：YOLOv5 相较于 YOLOv8 更快，因为...
YOLOv5 vs YOLOv8
mingo_敏
06-20 7734
YOLOv5 N/S/M/L/X 骨干网络的通道数设置使用同一套缩放系数；YOLOv8 N/S/M/L/X 骨干网络的通道数设置不一样，使用不同的缩放系数。YOLOv7 网络设计也采用类似的方式作用于所有模型。
简述YOLOv8与YOLOv5的区别
热门推荐
qq_44799766的博客
03-01 2万+
yolov7,yoloX相关论文还没细看,yolov8就出来了。太卷了！YOLOv5和YOLOv8的区别。
10张图22段代码万字长文带你搞懂虚拟内存模型和malloc内部原理.docx
02-17
操作系统通过将程序的虚拟地址映射到实际的物理地址上，从而实现这一目标。虚拟内存的引入极大地简化了程序员的工作，同时增强了程序的安全性和灵活性。 #### 二、虚拟内存的关键特性 - **每个进程独立**：每个...
YOLOv5基础 | 万字长文带你深度解析yolov5s.yaml配置文件
突然好想你
10-29 5208
万字长文帮你深度解析YOLOv5算法之yolov5s.yaml配置文件，小白必学！
万字长文，YOLOv8 yaml 文件解析 | 一文搞定 YOLOv8 分类任务，检测任务，分割任务，关键点任务
YOLOv8项目贡献者
08-24 1万+
YOLOv8 yaml 文件解析 | 一文搞定 YOLOv8 分类任务，检测任务，分割任务，关键点任务
源码解析篇 | 万字长文带你深度解析yolov8.yaml配置文件
突然好想你
03-22 466
YOLOv8是一种目标检测算法，它是YOLO（You Only Look Once）系列算法的第8个版本。YOLOv8的配置文件主要包含了超参数、网络结构等相关的配置信息。本节课就以官方源码中的yolov8.yaml文件为例，带大家深度解析下该配置文件！~🌈
【yolov8】与yolov5的区别及改进详解
qq_44878985的博客
11-30 2万+
yolov8-----有点厉害的目标检测框架.
YOLOv5和v8实验对比，训练效果，哪个更好呢？
qq_41968464的博客
05-20 1万+
Yolov5和v8的工程角度评价
yolo v5和yolo v8的对比
m0_62917657的博客
08-22 3014
yolo v5本身是轻量化模型，在保证一定准确性的基础上实现更小更快的模型。
yolov5与yolov8比较
05-23
目前并没有 YOLOv8 这个版本，可能是一个误解或者谣言。而 YOLOv5 是目前最新的 YOLO 系列的版本，相比于之前的版本，YOLOv5 在性能和精度方面都有了显著的提升。 YOLOv5 采用了一系列的技术创新，包括 SPP(Spatial Pyramid Pooling)、PAN(Path Aggregation Network)、CSP(Convoluted Spatial Pyramid) 等结构，极大地减少了模型的参数量和计算量，提高了模型的训练速度和推理速度，同时在精度方面也有了显著的提升。 在经典的 COCO 数据集上，YOLOv5 的 AP50 得分达到了 51.3，比之前最好的 YOLOv4 的得分高了 3.5 个点，比当前最好的检测器 EfficientDet-D7 还高了 0.1 个点。同时，在推理速度方面，YOLOv5 的速度也非常快，可以达到 140 FPS 的速度，比 YOLOv4 快了近 3 倍。
评论
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