芒果YOLOv5改进27：标签分配策略篇之TOOD：最新基于标签分配策略TOOD改进提出新的模型（内附代码），Task-aligned Assignment任务对齐学习TAL，刷新单阶段目标检测新纪录

已于 2024-03-14 20:20:22 修改
阅读量5.6k 收藏 18
点赞数 4
分类专栏： 芒果YOLOv5原创改进 文章标签： 目标检测 学习 深度学习
于 2022-11-06 18:44:40 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_38668236/article/details/127719113
版权
本教程介绍了基于YOLOv5的TOOD(Task-aligned Assignment)标签分配策略改进，通过TAL任务对齐学习解决任务不对齐问题，提高目标检测性能。详细讲解了TOOD的理论背景、方法，并分享了在YOLOv5上的应用及代码修改，以实现单阶段检测器的新纪录。
摘要由CSDN通过智能技术生成
  • 💡该教程为改进进阶指南，包含大量的原创首发改进方式, 所有文章都是全网首发原创改进内容🚀
  • 💡本篇文章 基于YOLOv7、YOLOv5等网络改进YOLO系列：全网首发最新结合TOOD任务对齐学习，刷新单阶段目标检测新纪录的 Task-aligned One-stage Object Detection，打造高性能检测器。
  • 重点：🔥🔥🔥有不少同学已经反应 专栏的教程 提供的网络结构 在数据集上有效涨点!!! 🌟进阶专栏内容持续更新中🎈☁️🏅️，订阅了该专栏的读者务必·私信博主·加·全新创新点进阶交流群·群内不定时会发一些其他未公开的Tricks.
  • 另外本文对结构进行改进优化，内容包括理论部分和改进代码🚀

    文章目录

一、TOOD论文理论解析

请添加图片描述

  • 一阶段目标检测通常通过优化两个子任务来实现：目标分类和定位，使用具有
了解本专栏 订阅专栏 解锁全文
芒果汁没有芒果
关注
专栏目录
订阅专栏
芒果YOLOv5改进31：标签分配策略篇之WDLA：最新改进Wasserstein Distance Label Assignment，提升小目标检测性能精度
包括YOLOv5、YOLOv7、YOLOv8等模型改进
09-10 875
YOLOv5代码实践｜原创改进之WDLA标签分配策略，最新改进Wasserstein Distance Label Assignment，提升小目标检测性能精度
样本分配策略之YOLOv5
枫叶wu的博客
03-28 1261
目标检测的损失往往由三个部分组成：分类损失Lcls，置信度损失Lobj与边界框的iou损失Lbox。Lcls与Lbox仅由正样本产生，而Lobj则由所有样本产生。不同于DETR这种端到端的目标检测算法，YOLO会产生大量的预测框，每一个预测框称之为一个样本。那么对于产生的这些预测框，哪些应该作为正样本去与gt(ground truth)计算Lbox与Lcls，哪些又应该作为负样本仅仅贡献Lobj呢？这就取决于所定义的样本分配方法。
【YOLOv7】主要改进点详解_yolov7改进
最新发布
2401_84254530的博客
06-25 864
YOLOv7在5FPS到160FPS的范围内，无论是速度或是精度，都超过了目前已知的检测器在V100上进行测试， 精度为56.8%AP的模型可达到30FPS（batch=1）以上的检测速率目前唯一一款在如此高精度下仍能超过30FPS的检测器代码冗余，版本更新问题如何评价AlexeyAB版的YOLOv7？验证时数据预处理的图像缩放异常（没有做padding操作）验证时的NMS异常（应该是multi_label = False）参考资料。
【目标检测】YOLOv8算法实现(二)：正样本匹配(TaskAlignedAssigner)和损失计算
chu-xia的博客
01-26 3505
本系列文章记录本人硕士阶段YOLO系列目标检测算法自学及其代码实现的过程。其中算法具体实现借鉴于ultralytics YOLO源码，删减了源码中部分内容，满足个人科研需求。本篇文章在YOLOv5算法实现的基础上，进一步完成YOLOv8算法的实现。
芒果YOLOv7改进32：标签分配策略篇：全网最新基于TOOD标签分配策略改进，Task Alignment Learning 任务对齐学习TAL，刷新单阶段目标检测新纪录
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-15 3604
最新基于TOOD标签分配策略改进，任务对齐学习TAL，刷新单阶段目标检测新纪录
芒果YOLOv5改进90：标签分配策略篇之TOOD：最新基于Task-aligned Assignment任务对齐学习TAL提出新的模型（内附代码），独家改进TOOD分配策略，刷新单阶段目标检测新纪录
包括YOLOv5、YOLOv7、YOLOv8等模型改进
04-03 420
YOLOv5改进：TAL标签分配策略改进：最新基于Task-aligned Assignment任务对齐学习TAL提出新的模型（内附代码），标签分配策略TOOD改进，刷新单阶段目标检测新纪录
芒果YOLOv7改进90：标签分配策略篇之TAL：最新基于Task-aligned Assignment任务对齐学习TAL提出新的模型（内附代码）， 独家改进TOOD分配策略，刷新单阶段目标检测新纪录
包括YOLOv5、YOLOv7、YOLOv8等模型改进
04-03 744
芒果YOLOv7改进：标签分配策略篇之TAL：最新基于Task-aligned Assignment任务对齐学习TAL提出新的模型（内附代码）
yolov6 TaskAlignedAssigner Task aligned 标签分配策略
qq_64693987的博客
05-15 2666
主要是三个方法：self.get_pos_mask、select_highest_overlaps和self.get_targets，最后返回target_labels（每个格子对应的标签）, target_bboxes（每个格子对应的真实框，没有就用第一个替代，后面会使用mask去除）, target_scores（每个格子对应类别的分数）, fg_mask.bool()（正样本的mask）例如第一行 0,0,0,0,0,2,...,5,0,0,0,1,..,0,0,0;
YOLOV5/V7 实现图片、视频、摄像头 标签数量统计
BABABSBC的博客
03-12 797
YOLO V5 推理输出预测框数量
TaskAlignedAssigner代码解读
qq_35890328的博客
06-29 2497
TaskAlignedAssigner代码解读
Yolov8标签匹配算法TaskAlignedAssigner原理及代码注解
YXD0514的博客
08-05 5804
此专栏分享常用的目标检测标签匹配算法，如有错误欢迎指出。
yolov5使用simota
qq_34496674的博客
05-20 3979
yolov5使用simota 1.在utils中添加simota.py，是根据yolox中的yolo_head.p修改 主要修改 (1) 将x,y,w,h的转换方式改为yolov5的转换方式 (2) target的尺寸转换为输入图片的尺寸 #!/usr/bin/env python3 # -*- coding:utf-8 -*- # Copyright (c) Megvii Inc. All rights reserved. import math from loguru import logger i
yolov5详解（二）
qq_43585355的博客
07-31 507
标签匹配
详解ATSS、SimOTA、taskAligned、o2f标签分配
Q先森的博客
08-16 2000
标签分配也是影响目标检测AP的一个重要因素，仅是训练技巧，不会增加推理耗时。例如ATSS就采用自适应正负样本分配的方式带来2%的无痛涨点。最近也是好奇这些标签分配具体是怎么做的，故记录目前学习到的4种算法。
小目标检测 改进 拆分拼接
jacke121的专栏
02-17 4031
小目标Trick 论文链接： https://paperswithcode.com/paper/slicing-aided-hyper-inference-and-fine-tuning 代码链接：https://github.com/obss/sahi 检测小目标和远程目标检测是监控应用中的一个主要挑战。这些物体由图像中少量的像素表示，缺乏足够的细节，使得传统的检测器难以检测。在这项工作中，提出了一个名为切片辅助超推理(SAHI)的开源框架，该框架为小目标检测提供了一个通用的切片辅助推理和微
YOLOV5改进-loss-Optimal Transport Assignment(OTA)
qq_69854365的博客
05-22 1549
OTA源于2021年cvpr的论文，我认为就是使训练和验证的标签有着更好的对应关系，01提出了一种基于优化策略的标签分配方式，通过最小化loss，让网络自己学习最优的标签分配方式。将真实标签(GT)看做标签(label)供应商，锚框(anchor ) 看做标签(label)的需求方。对于不同样本有不同的loss。对于正样本，将分类和回归的 loss 加权和作为传输loss。对于负样本，传输loss就为分类 loss。
SimOTA标签分配策略
05-30
SimOTA标签分配策略是一种基于预测模型的标签分配方法，其主要思想是通过对用户历史行为数据的分析和建模，预测用户的下一步行为，从而为其分配最合适的标签。 具体来说，SimOTA标签分配策略主要包括以下几个步骤： 1. 数据采集：收集用户的历史行为数据，包括浏览记录、搜索记录、购买记录等。 2. 数据预处理：对采集到的数据进行清洗和预处理，包括去除噪声数据、数据归一化等。 3. 特征提取：从预处理后的数据中提取有代表性的特征，比如用户的兴趣偏好、购买习惯等。 4. 模型训练：使用机器学习算法（如决策树、神经网络等）对提取的特征进行训练，建立预测模型。 5. 标签分配：根据预测模型对用户进行预测，并为其分配最合适的标签。 需要注意的是，SimOTA标签分配策略需要不断地对用户数据进行更新和模型优化，以保持其高效性和准确性。
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

打赏作者

芒果汁没有芒果

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