优化改进YOLOv5算法之添加MS-Block模块，有效提升目标检测效果(超详细)

目录

前言 

1 MS-Block原理

1.1 Multi-Scale Building Block Design

1.2 Heterogeneous Kernel Selection Protocol

2 YOLOv5算法中加入MS-Block

2.1 common.py文件配置

2.2 yolo.py配置

2.3 创建添加优化点模块的yolov5x-C3-MSBlock.yaml

---

前言 

本博客主要是参考YOLO-MS论文的创新点，在YOLOv5算法中引入MS-Block模块，利用不同尺度特征信息，以进一步提升目标检测效果。

YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection

作者旨在为目标检测社区提供一种高效且性能卓越的目标检测器，称为YOLO-MS。核心设计基于一系列对不同Kernel-Size卷积如何影响不同尺度上目标检测性能的研究。研究结果是一种可以显著增强实时目标检测器多尺度特征表示的新策略。为了验证作者策略的有效性，作者构建了一个名为YOLO-MS的网络架构。作者在MS COCO数据集上从头开始训练YOLO-MS，而不依赖于任何其他大规模数据集，如ImageNet，或预训练权重。作者的YOLO-MS在使用相同数量的参数和FLOPs的情况下，优于最近的最先进的实时目标检测器，包括YOLO-v7和RTMDet。以YOLO-MS的XS版本为例，仅具有450万个可学习参数和8.7亿个FLOPs，它可以在MS COCO上达到43%+的AP得分，比相同模型尺寸的RTMDet高出约2%+。此外，作者的工作还可以作为其他YOLO模型的即插即用模块。通常情况下，作者的方法可以将YOLOv8的AP从37