YOLOV4&YOLOV5学习笔记

已于 2022-03-07 00:39:21 修改
阅读量639 收藏 1
点赞数
分类专栏： Python 深度学习之美 文章标签： 人工智能 学习 深度学习
于 2022-03-06 16:45:44 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/qq_34848334/article/details/123310370
版权

YOLOV4&YOLOV5学习笔记

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

标签平滑处理来解决类别之间没有关联的问题。
1.
在这里插入图片描述
2.
在这里插入图片描述
3.
spp一堆池化的组合
4.
在这里插入图片描述
5.
特征融合的方法

在这里插入图片描述
6.
自对抗训练就是自监督训练
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
9.
在这里插入图片描述

第一个改进，将主干网络中的激活函数改了
在这里插入图片描述
11.

新加了spp块，增加感受视野，
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
14.
yolov3没有告诉候选框应该往哪个方向上去回归
在这里插入图片描述
15.
状态3的效果比状态2更好，状态3移动更简单，状态2移动更复杂
在这里插入图片描述
16.

在这里插入图片描述
17.

GIOU_loss不能衡量下图这种情况

在这里插入图片描述
18.
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
20.
在NMS时不使用CIOU_LOSS是因为，使用CIOU_LOSS需要使用目标框的长和宽，但是在做NMS时，已经是预测阶段了，在预测阶段根本没有目标框。
在这里插入图片描述
21.
数据增强
在这里插入图片描述
22.
作者使用dropout是为了让中间层的神经网络也能获得想cutout的作用和效果。因为如果你只是使用cutout’时这只是对输入数据进行了数据增强，但是神经网络是很聪明的，如果在神经网络中不使用dropout，那么在神经网络中就不能获得cutout’带来的好处，因为神经网络会将cutout的图片，经过神经网络后，恢复成完整图片，所以这里在神经网络中使用了dropout。
在这里插入图片描述
23.
cutout缺点:遮挡的部分是连成的一个整体，而且使规则的，而且这个规则的遮挡对于卷积来说是无效的，因为对于浅层的卷积接收到的数据确实是不完整的，但是对于中间层和最后的卷积，图片经过前面的处理，到达中间层和最后层的图片就已经是完整的了。
24.
普通的dropout是随机的对于目标区域而言遮挡效果不是很好，遮挡的区域太少，下图中的dropout就好像给图片加了一些噪音，所以对它进行了改造，使用的是dropblock，遮挡的区域更大。这样的改变即增大了遮挡的面积，也保证了核心的目标区域不至于全部被遮挡完全。
在这里插入图片描述

这儿应该是直接的切片操作，和残差结构的恒等映射是一样的
在这里插入图片描述
26.

在这里插入图片描述

网络的深度和宽度会不一样就形成了，s，m，l，x，网络的深度和宽度越来越大。
在这里插入图片描述
28.

在这里插入图片描述
29.
在这里插入图片描述
30.

在这里插入图片描述
31.
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

QT-Smile
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
YOLOv5的Tricks | 【Trick12】YOLOv5使用的数据增强方法汇总
Clichong
08-07 2万+
在专栏前面的内容一直介绍的是yolov5训练时候使用的一些技巧，这里用这篇博客最后归纳一下yolov5在数据增强上所使用的技巧。 在yolov3-spp专栏的时候，我介绍过yolov3-spp大致所使用的一些数据增强的方法： 数据增强：Mosaic 数据增强：随机旋转、平移、缩放、错切、HSV 在之前详细的介绍过代码，而在yolov5这里，其实代码是类似的，甚至函数的名字都没有变化，看过源码的朋友就可能知道了，改变的地方其实不是很多，所以这里就不再详细介绍代码的细节了，只是总结一下使用的数据增强。...
yolov5启用数据增强、tensorboard可视化及cutout增强
小俊俊的博客
03-12 1万+
yolov5启用数据增强与tensorboard可视化 一，yolov5启用数据增强 1.data目录下，有两个hyp的文件：data/hyp.scratch.yaml和data/hyp.finetune.yaml具体内容如下： # Hyperparameters for VOC fine-tuning # python train.py --batch 64 --cfg '' --weights yolov5m.pt --data voc.yaml --img 512 --epochs 50 # See
YOLOv5 数据增强data augmentation (七)
sebeefe的博客
03-02 5000
1.数据增强介绍 当我们训练集中的图片比较少时，容易造成网络的过拟合。为了避免这种情况一般我们要经过图像处理的方法，人为地去增加些图片数据，这样就会增加我们可用图片的数目，减少过拟合的可能性。 可以通过像素级的剪裁(Crop)、旋转(Rotation)、反转(Flip)、色调(Hue)、饱和度(Saturation)、曝光量(Exposure)、宽高比(Aspect)来做数据增强。 另外还可以在图片级数据增强，比如MixUp、CurMix、Mosaic、Blur 2.图片级像素增强 Mixup
YOLOV5 6.x 使用cutout数据增强
weixin_46707493的博客
01-12 521
yolov5
yolov5使用cutout数据增强
追梦小狂魔的博客
03-16 366
修改utils/dataloaders.py。
YOLOV5学习笔记
小呆苗的博客
10-19 2492
Yolov5有很多版本，但是 Yolov5s网络最小，速度最少，AP精度也最低。但如果检测的以大目标为主，追求速度，倒也是个不错的选择。其他的三种网络，在此基础上，不断加深加宽网络，AP精度也不断提升，但速度的消耗也在不断增加。目前使用下来，yolov5s的模型十几M大小，速度很快，线上生产效果可观，嵌入式设备可以使用。 主要技术介绍： Mosaic数据增强 Yolov5的输入端采用了和Yolov4一样的Mosaic数据增强的方式。 注： Mosaic数据增强： 主要思想是将四张图片进行
YOLOv5学习
my_share的专栏
01-21 4607
YOLOv5学习总结 训练效果（持续更新） 前言 网络结构可视化 yolov3 yolov4 yolov5 核心基础内容 Mosaic数据增强 自适应锚框计算 自适应图片缩放 Focus结构 CSP结构 neck部分 输出端 GIOU DIoU CIOU nms非极大值抑制 Yolov5四种网络的深度 Yolov5四种网络的宽度 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...
【yolov4】学习笔记一
12-21
本篇学习笔记主要围绕YOLOv4在PyTorch环境中的实现进行探讨，同时也涉及CUDA的使用。 首先，YOLOv4的核心改进包括引入了多种技术，如 Mish 激活函数、SPP-Block（Spatial Pyramid Pooling）、CBAM（Channel ...
YOLOv5训练笔记
11-03
YOLOv5训练笔记主要涉及的是使用YOLOv5模型进行目标检测的实践过程，包括环境配置、数据准备和模型训练。以下是对这些知识点的详细解释： 1. **环境安装**： - 首先，为了运行YOLOv5，需要创建一个Python虚拟环境...
基于PyTorch&YOLOv4实现的口罩佩戴检测系统源码.zip
最新发布
03-06
这是一个关于使用PyTorch框架和YOLOv4算法实现口罩佩戴检测系统的项目源代码。该项目旨在帮助监控公共场所的口罩佩戴情况，确保公众健康安全。以下是关于这个系统的详细知识点： 1. **PyTorch**: PyTorch是Facebook...
yolov学习笔记-行人数据集
08-29
yolov学习笔记-行人数据集 本文档记录了 yolov5 学习笔记中的行人数据集部分，包括安装 Anaconda、复制 yolov5 代码、修改代码、安装依赖包、运行训练、数据标注、更改模型参数和数据参数等步骤。 一、安装 ...
个人学习笔记-计算机视觉篇-YOLOv1
01-06
YOLOv1论文翻译： https://blog.csdn.net/woduoxiangfeiya/article/details/80866155?utm_source=distribute.pc_relevant.none-task YOLOv1原文： https://arxiv.org/pdf/1506.02640.pdf 以下为参考博主博客...
Yolov5代码解析(输入端、BackBone、Neck、输出端))
m0_62396648的博客
06-19 9991
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。
Yolov5 学习笔记
钟鸣的博客
03-10 6578
目录一、Yolov3网络结构Bounding BoxLOSS Function参考文档 关于 Yolov5家族知识点的总结。长文。 资料来源于网上。 一、Yolov3 网络结构 网络结构图 yolov3 的网络主体是darknet53，最基本的结构是DBL，由卷积+BN+Leaky relu组成。 class ConvolutionalLayer(nn.Module): def __init__(self, in_channels, out_channels, kernal_size, strid
大话YOLOV5
zzqingyun的博客
07-08 2496
目标检测任务的损失函数一般由 Classification Loss（分类损失函数）和 Bounding Box Regression Loss（回归损失函数）2 部分构成。Yolov5中采用其中的CIOU_Loss做Bounding box的损失函数。
【项目问答】YOLOv5
qq_41427793的博客
02-16 7030
Yolov5官方代码中，给出的目标检测网络中一共有4个版本，分别是Yolov5s、Yolov5m、Yolov5l、Yolov5x四个模型。Yolov5s网络是Yolov5系列中深度最小，特征图的宽度最小的网络。后面的3种都是在此基础上不断加深，不断加宽。 网络结构： 1、模型参数配置：【YOLOV5-5.x 源码解读】yolov5s.yaml_满船清梦压星河HK的博客-CSDN博客_yolov5s 2、模块实现： 【YOLOV5-5.x 源码解读】common.py_满船清梦压星河HK的博客-CSD
QT(C++)部署YOLOV5
qq_59775159的博客
08-18 3326
这篇文章用来记录qt 搭建YOLOV5的检测平台，代码是再qt里面运行yolov5 python代码，主打的一个联合编程。
YOLOv5系列(三十一) 本文(1.5万字) | 标签平滑(Label Smoothing) | Focal Loss损失函数 | 学习率预热Warmup |
weixin_44302770的博客
12-28 1348
标签平滑也可以称之为标签平滑归一化：Label Smoothing Regularization (LSR)，通常应用于文本分类任务，像L2和 dropout 等一样，它是一种正则化的方法，只不过这种方法是通过在 label 中添加噪声，从而实现对模型的约束。目的是防止模型在训练时过于自信地预测标签，防止过拟合，提高模型的泛化能力。有关标签可以参考如下论文（在机器学习模型中，对于每一个样本的预测值与真实值的差称为损失。显而易见，是一个用来计算损失的函数。
papers with code介绍（人工智能方向研究生的必备网站）
热门推荐
QT-Smile
12-14 4万+
paperswithcode介绍（人工智能方向的必备网站） 本文将从两个部分介绍： 一、正文 二、导航 ** A、browse State-of-the-Art ** B、Datasets ** ** C、Method ** D、More ** 网站首页 一、正文 2. 最上面是四个导航选项。 3. 正文部分就是最新的研究论文 正文部分也被分成4个部分。 4. 默认采用top方式，显示趋势研究。 以及github上项目每小时增加的星的降序排列。也就是显示大家最关注的项目或论文
yolov5学习笔记
08-14
Yolov5是一个目标检测算法，它采用了和Yolov4一样的Mosaic数据增强方式，该方式由Yolov5团队的成员提出。Mosaic数据增强使用了随机缩放、随机裁剪和随机排布的方式进行拼接，对于小目标的检测效果很不错。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [YOLOv5 学习笔记](https://blog.csdn.net/W1995S/article/details/118114221)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 33.333333333333336%"] - *2* [YOLOv5学习笔记](https://blog.csdn.net/qq_54809548/article/details/125403163)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 33.333333333333336%"] - *3* [YOLOv5 自学笔记（持续更新）](https://blog.csdn.net/Mr_wjjianyan/article/details/128475887)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 33.333333333333336%"] [ .reference_list ]
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