优化改进YOLOv5算法之添加Res2Net模块(超详细)

目录

1 Res2Net

2 YOLOv5中添加Res2Net block

2.1 common.py配置

2.2 yolo.py配置

2.3.3 创建添加Res2Net block模块的YOLOv5的yaml配置文件 

---

1 Res2Net

关于代表性计算机视觉任务的进一步消融研究和实验结果，即目标检测，类激活 mapping和显著目标检测，进一步验证了Res2Net相对于现有技术的基线方法的优越性。

面向视觉任务的多尺度表示对于目标检测、语义分割和显著目标检测任务具有重大意义。通过CNN新模块Res2Net，能够实现与比以往优秀的基于CNN backbone 的模型（如ResNet，ResNeXt和DLA）更好的性能表现。

Res2Net：计算负载不增加，特征提取能力更强大

在多个尺度上表示特征对于许多视觉任务非常重要。卷积神经网络（CNN） backbone 的最新进展不断展示出更强的多尺度表示能力，从而在广泛的应用中实现一致的性能提升。然而，大多数现有方法以分层方式（layer-wise）表示多尺度特征。

在本文中，研究人员在一个单个残差块内构造分层的残差类连接，为CNN提出了一种新的构建模块，即Res2Net——以更细粒度（granular level）表示多尺度特征，并增加每个网络层的感受野（receptive fields）范围。

上图中，左侧为CNN网络架构的基本构成&#