YOLO的网络结构组成

最新推荐文章于 2024-05-16 03:30:00 发布
最新推荐文章于 2024-05-16 03:30:00 发布
阅读量519 收藏 8
点赞数 8
分类专栏： 研究生 文章标签： YOLO
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_41638851/article/details/134644448
版权

YOLOv5的CSP结构是
将原输入分成两个分支，分别进行卷积操作使得通道数减半，
然后一个分支进行Bottleneck * N操作，然后concat两个分支，使得BottlenneckCSP的输入与输出是一样的大小，这样是为了让模型学习到更多的特征。

BottleneckCSP

在这里插入图片描述
在这里插入图片描述

C3

CSP Bottleneck with 3 convolutions
在这里插入图片描述
在这里插入图片描述

C2f

Faster Implementation of CSP Bottleneck with 2 convolutions.
在这里插入图片描述

SPP

在这里插入图片描述

SPPF

在这里插入图片描述

greedy-hat
关注
  • 8
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
YOLO系列结构图-visio
03-08
1.YOLOV3 2.YOLOV4 3.YOLOV5
YOLO的网络结构（一）
weixin_45796980的博客
11-15 5598
YOLO的网络结构 其网络结构能分为三部分。 第一部分：图片的输入 第二部分：基础网络。作者原文使用的是 Darkjnet-53 without FC layer。 第三部分：yolo v3的三个分支。y1（13x13x255）,y2（26x26x255）,y3(52x52x255)。 Y1从上面结点获取。是最高层的，最抽象的特征。适合比较大的目标检测； Y2是在Y1的基础上做一个上采样+一个低层的一个特征进行连接（concat）。 适合中等的目标检测； Y3是在Y2的基础上做一个上采样+一个更低层的一个特
【YOLO系列】YOLO v3（网络结构图+代码）
陶将的博客
05-16 2651
在YOLO的发展史中，v1到v3算法思想逐渐完备，后续的系列也都以v3为基石，在v3的基础上进行改进，所以很有必要单独出一篇详细讲解v3的博文。 本篇博文结合网络结构简图和代码，讲解YOLOv3的具体实现。
YOLOv5中的CSP结构
热门推荐
tt丫的博客
01-21 6万+
深度学习入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。 目录 一、背景知识 -- CSPNet 二、CSP结构分析 1、总括 2、CSP1_X结构 3、CSP2_X 三、源码分析（内含注释分析） 一、背景知识 -- CSPNet 有关CSPNet的介绍分析可以康康博主之前的博客 深度学习之CSPNet分析_tt丫的博客-CSDN博客 二、CSP结构分析 1、总括 YOLOv5s的CSP结构是将原输入分成两个分支，分别进行
YOLO_V4 入手贴
驽马十驾，功在不舍；锲而不舍，金石可镂。
05-01 1448
YOLO_V4 入手贴1.图像增效 Mosaic参考文献 此blog主要参考YOLO_v4作者Chien-Yao Wang的pytorch实现。 由于此GitHub是在ultralytics的YOLO代码基础上完成的，因此还是免不了要对其实现细致了解下。 1.图像增效 Mosaic Mosaic从实现效果来看比较轻松，就是将四张图片放到一张图上。但是ultralytics的代码实现看起来比较复杂。 因此这一段单独拎出来具体看下。 为了说明效果，抽出几张图片及其gt分别放在对应的文件，如下： 下面的代码
YOLOv4网络详解
STATEABC的博客
04-21 6974
0前言 在YOLOv4论文中，作者其实就是把当年所有的常用技术罗列了一遍，然后做了一堆消融实验。 1.YOLOV4的网络改进部分 1、主干特征提取网络：DarkNet53 => CSPDarkNet53、使用Mish激活函数 2、特征金字塔：SPP结构，PAN结构 优化策略： 1.Eliminate grid sensitivity 2.Mosaic data augmentation 3. IoU threshold（正样本匹配） 4. Optimizer Anchors 5. CIoU（定位损失
2.5 yolov5的主干网络CSPDarknet的输出
weixin_71719718的博客
08-10 280
2.主干网络主要输出3个特征层，分别是torch.Size([1, 256, 80, 80]) torch.Size([1, 512, 40, 40]) torch.Size([1, 1024, 20, 20])。# 完成CSPlayer之后，80, 80, 256 -> 80, 80, 256。# 完成CSPlayer之后，40, 40, 512 -> 40, 40, 512。# 完成卷积之后，80, 80, 256 -> 40, 40, 512。
yolov5网络结构学习
septoct的博客
04-22 5万+
1. yolov5 网络架构 上图是yolov5s的网络结构，它是yolov5系列中深度最小、特征图宽度最小的网络。后面的m、l、x都是在此基础上不断加深、加宽的。 网络主要分为输入端、Backbone、Neck、Prediction四个部分。 它和yolov3主要不同的地方： （1）输入端：Mosaic数据增强、自适应锚框计算、自适应图片缩放 （2）Backbone：Focus结构、CSP结构 （3）Neck：FPN+PAN结构 （4）Prediction：GIOU_Loss 2.输入端 （1）Mosa
Yolo系列网络结构图visio文件
04-12
Yolo系列网络结构图visio文件
YOLO系列网络的改进仓库
03-28
其中包括使用更深的Darknet-53网络作为特征提取网络，引入了FPN（Feature Pyramid Network）结构来处理不同尺度的特征图，以及使用更多的anchor boxes等。这些改进使得YOLOv3在准确性和速度方面都有了显著提升。 3....
yolo v3的网络结构
12-25
yolo v3的网络结构，用于目标检测，语义分割，内容较多，此处仅仅只是其网络结构。
YOLO深度网络
05-16
RCNN、Fast RCNN、Faster RCNN 都是基于深度神经网络的图像目标检测模型。虽然这一系列模型在训练和检测上针对精 度与效率都在不断地优化，但是仍旧没有实现训练测试的端到端，而 且当前的检测速度也还无法针对视频...
YOLOv5网络模型的结构原理讲解（全）
码农研究僧的博客
04-25 5万+
YOLOv5有几种不同的架构，各网络模型算法性能分别如下： YOLOv5是一种目标检测算法，其模型结构主要包括以下组成部分：输入端：YOLOv5的Head网络由3个不同的输出层组成，分别负责检测大中小尺度的目标。Backbone网络：YOLOv5使用CSPDarknet53作为其主干网络，其具有较强的特征提取能力和计算效率。Neck网络：YOLOv5使用的是FPN(FPN网络能够在不同的特征图层次上进行检测，可以提高目标检测的性能)网络，可以融合来自不同特征图层次的信息。输出端：损失函数，YOLOv5使用的
yolov4，yolov5（学习记录）
epic_Lin的博客
11-11 5063
输入端创新 1、Mosaic数据增强 yolov4中使用的Mosaic是参考2019年底提出的CutMix数据增强的方式，但CutMix只使用了两张图片进行拼接，而Mosaic数据增强则采用了4张图片，随机缩放、随机剪裁、随机排布的方式进行拼接。 这里首先要了解为什么要进行Mosaic数据增强呢？ 在平时项目训练时，小目标的AP一般比中目标和大目标低很多。而Coco数据集中也包含大量的小目标，但比较麻烦的是小目标的分布并不均匀。（小目标的AP指的是识别的准确率吗？？也就是小目标识别不准，为了解决
YOLOV5-CSP组件 VS C3组件
BelievIamthebest的博客
09-23 3900
YOLOV5-CSP组件 VS C3组件
yolov5
shajie的博客
08-21 1753
yolov5的细节
yolov8网络结构详解（逐行解析）
lzy2766的博客
08-15 2万+
yolov5使用的CSP结构分为两种，在backbone中为CSP1_X，其中的X个组件中存在残差结构，如下图：在Neck中为CSP2_X，其中的2*X个CBL模块没有残差结构；
YOLOv8改进 | 图像修复 | 适用多种复杂场景的全能图像修复网络AirNet助力YOLOv8检测（全网独家首发）
最新发布
Snu77的博客
05-16 266
官方代码地址点击此处即可跳转 ​文章提出的一种名为AirNet（All-in-one Image Restoration Network）的全能图像修复网络。AirNet由对比基降解编码器（CBDE）和降解引导修复网络（DGRN）两个神经模块组成，能够在未知损坏类型和程度的情况下恢复受损图像。这两部分共同工作，能够处理多种类型的图像退化，而无需预先知道损坏的具体信息。
【YOLOv7改进系列】引入YOLOv5的C3模块
2401_84870184的博客
05-14 268
C3模块的第二阶段使用深度可分离的膨胀卷积，扩大了感受野，增强了全局一致性。：C3模块采用两阶段设计，首先使用深度方向的非对称卷积来收集并压缩相邻像素的信息，减轻由于膨胀卷积造成的局部信息丢失问题。总之，C3模块通过创新的结构设计，有效融合了深度可分离卷积和膨胀卷积的优点，实现了轻量化模型设计中的一个关键突破，同时保持了分割和分类任务的高性能表现。：除了语义分割，C3模块还被应用于ImageNet分类任务，展示出替换膨胀卷积并维持或提升性能的能力，进一步验证了其作为深度学习基本构建块的潜力。
YOLO V7网络结构
04-19
YOLO（You Only Look Once）是一种实时目标检测算法，YOLO V7是YOLO系列的第七个版本。YOLO V7网络结构主要由以下几个部分组成： 1. 输入层：接收输入图像。 2. 基础网络：YOLO V7使用了Darknet-53作为基础网络，它是一个53层的卷积神经网络。Darknet-53主要由卷积层、残差块和最大池化层组成，用于提取图像特征。 3. 特征金字塔：为了检测不同尺度的目标，YOLO V7引入了特征金字塔网络。特征金字塔网络通过在不同层级上进行卷积和上采样操作，生成多尺度的特征图。 4. 检测头：YOLO V7的检测头由多个卷积层和全连接层组成，用于预测目标的类别和位置。每个检测头负责预测一组不同尺度的目标框。 5. 输出层：输出检测结果，包括目标的类别、位置和置信度。 总体来说，YOLO V7通过基础网络提取图像特征，然后通过特征金字塔网络获取多尺度的特征图，最后通过检测头预测目标的类别和位置。相比于其他目标检测算法，YOLO V7具有实时性和较高的准确性。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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