YOLOv5学习

本文总结了YOLOv5的学习,包括训练效果、网络结构可视化和核心基础内容。训练结果显示,YOLOv5s在工牌胸牌检测上的mAP@0.5达到0.95,速度出色。文章探讨了YOLOv5相对于YOLOv3和v4的改进,如Mosaic数据增强、自适应锚框计算和CSP结构等,并介绍了GIOU、DIoU和CIOU损失函数的作用。此外,还讨论了不同网络深度对性能的影响。
摘要由CSDN通过智能技术生成

YOLOv5学习总结

 

转载:首先感谢江大白大佬的研究与分享,贴上链接       深入浅出Yolo系列之Yolov5核心基础知识完整讲解   转载网站https://blog.csdn.net/weixin_38842821/article/details/108544609
将yolov3-v5的变化讲的很清楚,思路很清晰,值得花时间好好从头到尾读一遍。

训练效果

先贴结果,自己试了组工牌胸牌检测(yolov5s),100个epoch的mAP@.5 达到0.95,效果真的不错,检测速度也很快,一张图0.009s(2080TI),cpu上速度待测试,yolov5其他模型待测试。

前言

YOLOv4出来后不久,又出现了YOLOv5,虽然作者没有放上和YOLOv4的直接测试对比,但在COCO数据集的测试效果还是很可观的。

很多人考虑到YOLOv5的创新性不足,对算法是否能够进化,称得上YOLOv5而议论纷纷。

但既然称之为YOLOv5,也有很多非常不错的地方值得我们学习。不过因为Yolov5的网络结构和v3、v4相比,不好可视化,导致很多人看YOLOv5看的云里雾里。

网络结构可视化

为了方便对比,顺便把yolov3和v4的网络结构图贴出来

yolov3

(yolov3的特点后续更新)
yolov3网络结构图

yolov4

简单提两句,yolov4在yolov3的基础上增加了近两年的研究成果

  1. 输入端采用mosaic数据增强
  2. Backbone上采用了CSPDarknet53、Mish激
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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