YoloV3改进和优化

最新推荐文章于 2024-06-25 15:13:54 发布

qq_41198463

最新推荐文章于 2024-06-25 15:13:54 发布

阅读量4.5k

点赞数 2

分类专栏： YoloV3 目标检测文章标签：深度学习

本文链接：https://blog.csdn.net/qq_41198463/article/details/108962050

版权

本文探讨了YoloV3的改进措施，包括采用Mosaic数据增强，GridMask技术，DropBlock正则化，以及对L1 Loss与Iou Loss的优化。还介绍了PP-Yolo中的创新，如Warm up训练策略，Matrix NMS，CoordConv和SPP模块，以提升模型的检测性能和效率。

摘要由CSDN通过智能技术生成

YoloV3 的改进和优化

本文主要是参考YoloV4 和 pp-Yolo 来谈一下自己的感受，如有不正确地方欢迎各位指正。
PP- YOLO:https://blog.csdn.net/weixin_44936889/article/details/107560168

1.数据增强

可以采用Mosaic的方法，Mosaic是将四张图片按照一定比例拼接成一张图片，这样可以使模型可以在更小的范围内识别对象，并且，大的Batch Size会使模型的训练效果更好，Mosaic增加了模型的Batch Size的大小，理论上是原来的4倍。

采用GridMask，在原图中生成一些黑色的网格，将图像区域隐藏在网格中，可以让模型学习对象的整个组成部分。
2. 正则化

可以采用DropBlock的方法，DropBlock是Dropout的一种形式，Dropout仅仅只能用在全连接层中，在卷积层中，由于步长一般为1或2，会用重叠部分所以无法使用，因此提出DropBlock结构，直接将feature map相邻区域中的单元格一起删除，从而达到正则化的效果。注意：在PP-Yolo中DropBlock在检测头中使用，没有在主干网络中使用，在主干网络中使用会导致模型的检测效果降低。

3.Loss

Yolo使用的是最简单的L1 loss，但是L1 loss对于大物体和小物体产生的loss值并没有明显的区分，虽然使用了开根号来缓解这种趋势，但是总的来说，大小物体区分不好，因此引入的Iou loss，Iou loss 一共包括有Iou loss, Giou loss, Diou loss, Ciou loss。看了一些前辈的经验，