Yolov5进阶学习
改进进阶
梦在黎明破晓时啊
这个作者很懒,什么都没留下…
展开
-
YOLOv5改进: RT-DETR引入YOLOv5,neck和检测头助力检测
上述问题促使我们针对实时的端到端检测器进行探索,旨在基于 DETR 的优秀架构设计一个全新的实时检测器,从根源上解决 NMS 对实时检测器带来的速度延迟问题。DETR类在COCO上常用的尺度都是800x1333,以往都是以Res50 backbone刷上45 mAP甚至50 mAP为目标,而RT-DETR在采用了YOLO风格的640x640尺度情况下,也不需要熬时长训几百个epoch 就能轻松突破50mAP,精度也远高于所有DETR类模型。为了验证这一点,作者团队设计了若干对照组,如下图所示。原创 2024-01-28 21:34:43 · 787 阅读 · 0 评论 -
YOLOv5中Ghostbottleneck结构shortcut=True和shortcut=False有什么区别
GhostBotleneck结构中的shodcut=True和shorcut=False的区别在干是否使用残差连接。当shorcu=True时,使用残差连接,可以以加速模型的收敛速度和提高模型的准确率,当shorcu=False时,不使用残差连接,可以减少模型的参数数量和计算量。实际上不只是Ghostbottleneck具有残差连接,在C3、C2f等具有Bottleneck模块的结构均可根据此例举一反三。残差块是深度卷积神经网络中的一种基本模块,可以有效地解决梯度消失和梯度爆炸的问题。原创 2024-01-23 23:19:56 · 942 阅读 · 0 评论 -
使用results.csv文件数据绘制mAP对比图
yolov5每次train完成(如果没有中途退出)都会在run目录下生成expX目录(X代表生成结果次数 第一次训练完成生成exp0 第二次生成exp1…expX目录下会保存训练生成的weights以及result.txt文件,其中weights是训练生成权重,可用于detect。在写论文时我们需要以可视化的方式展示训练结果 -> result.png。在此以mAP@0.5为例绘制。原创 2024-01-04 22:32:33 · 783 阅读 · 0 评论 -
YOLOv5训练后如何测试
训练结束后,在runs/train/exp/weights目录下会产生两个权重文件,一个是训练效果最好的权重文件,一个是训练最后一轮的权重文件。原创 2024-01-02 15:51:00 · 761 阅读 · 0 评论 -
YOLO训练results.csv文件可视化(原模型与改进模型对比可视化)
一、单独一个文件可视化(源码对应utils文件夹下的plots.py文件的plot_results类)单独把代码拿出来建立py文件,注意上传文件路径以及文件保存路径。效果图展示:(results_vs.png文件)效果图展示:(results.png文件)原创 2023-12-27 00:05:49 · 1128 阅读 · 0 评论 -
yolov5的concat是什么层
在YOLOv5中,concat是指在网络的不同层之间进行张量拼接操作。YOLOv5使用了混合尺度特征融合的方式进行目标检测,其中concat操作是将不同尺度的特征图在通道维度上进行拼接,以提高目标检测的精度。总而言之,concat操作在YOLOv5中用于特征图的融合,以提高目标检测的性能。具体来说,YOLOv5中的concat操作发生在特征提取阶段的不同层之间。原创 2023-11-15 20:36:35 · 2354 阅读 · 0 评论