YOLOv5改进之OTA、SimOTA

最新推荐文章于 2024-01-10 10:34:05 发布

ghx3110

最新推荐文章于 2024-01-10 10:34:05 发布

阅读量472

点赞数 7

分类专栏： yolov5/yolov8的量化部署文章标签： YOLOv5 OTA SimOTA

本文链接：https://blog.csdn.net/qq_41920323/article/details/135488839

版权

yolov5/yolov8的量化部署专栏收录该内容

53 篇文章 127 订阅 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍了YOLOv5中OTA（Overlap Transport Algorithm）的原理及改进方法，并探讨了其训练成本高的问题。随后，文章详细阐述了YOLOX团队提出的SimOTA（简化Overlap Transport Algorithm），作为降低训练时间的解决方案。通过四步修改YOLOv5代码，实现了SimOTA的整合，包括在utils文件夹中添加simota.py和boxes.py，修改yolo.py、train.py及val.py的相关部分，从而在训练时提高效率。

摘要由CSDN通过智能技术生成

一、OTA
1.1 原理
OTA原论文链接：
https://readpaper.com/paper/3148566359

此处推荐一篇博文，对OTA讲解的非常详细：
https://blog.csdn.net/hymn1993/article/details/127278641

1.2 如何改进
ota代码如下：

import torch.nn.functional as F
from utils.metrics import box_iou
from utils.general import xywh2xyxy

了解本专栏

订阅专栏解锁全文

超级会员免费看

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

ghx3110

关注关注

7
点赞
踩
5

收藏

觉得还不错? 一键收藏
打赏
1
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

订阅专栏

YOLO的全面综述：从YOLOv1到最新版本

AI浩

12-07

6529

YOLO已成为机器人、无人驾驶汽车和视频监控应用的核心实时目标检测系统。我们全面分析了YOLO的演变，研究了从原始YOLO到YOLOv8、YOLO-NAS和带有Transformer的YOLO的每次迭代的创新和贡献。我们首先描述了标准指标和后处理；然后，我们讨论了每个模型在网络架构和训练技巧方面的主要变化。最后，我们总结了YOLO开发的重要经验教训，并对其未来提出了看法，强调了增强实时目标检测系统的潜在研究方向。关键词YOLO·目标检测·深度学习·计算机视觉。

yolox之SimOTA代码解析与详细注释

random_repick的专栏

02-17

644

yolox SimOTA

1 条评论您还未登录，请先登录后发表或查看评论

yolov5使用simota

qq_34496674的博客

05-20

3983

yolov5使用simota 1.在utils中添加simota.py，是根据yolox中的yolo_head.p修改主要修改 (1) 将x,y,w,h的转换方式改为yolov5的转换方式 (2) target的尺寸转换为输入图片的尺寸 #!/usr/bin/env python3 # -*- coding:utf-8 -*- # Copyright (c) Megvii Inc. All rights reserved. import math from loguru import logger i

（超详细）1-YOLOV5改进-Optimal Transport Assignment

最新发布

qq_44421796的博客

01-10

694

Optimal Transport Assignment（OTA）是YOLOv5中的一个改进，它是一种更优的目标检测框架，可以在保证检测精度的同时，大幅提升检测速度。（2）再将258行的ComputeLoss改成ComputeLossOTA(大家根据自己的代码行数看，有时候行数对不上，但找到对应代码就可以)（1）将58行的ComputeLoss改成ComputeLossOTA(大家根据自己的代码行数看，有时候行数对不上，但找到对应代码就可以)将214行加一个im，具体如图，之后要保存！

YOLOV5改进-loss-Optimal Transport Assignment(OTA)

qq_69854365的博客

05-22

1562

OTA源于2021年cvpr的论文，我认为就是使训练和验证的标签有着更好的对应关系，01提出了一种基于优化策略的标签分配方式，通过最小化loss，让网络自己学习最优的标签分配方式。将真实标签(GT)看做标签(label)供应商，锚框(anchor ) 看做标签(label)的需求方。对于不同样本有不同的loss。对于正样本，将分类和回归的 loss 加权和作为传输loss。对于负样本，传输loss就为分类 loss。

YOLOv1-YOLOv5的简单学习记录

a699669的博客

06-29

1482

YOLOv1 首次将目标检测转化为回归问题，边框回归直接预测（x,y,w,h） VGG16为backbone，7*7网格负责预测，每个网格预测2个bbox，输出7x7x30 损失包括：坐标预测损失、置信度预测损失、类别预测损失（都是均方差损失？损失权重不一致而已）优缺点：简单、快、较好的避免背景错误、小目标检测不佳、召回率低、定位不准，致命缺陷：7x7网格，每一个只预测一类，多个类也只预测一个。 YOLOv2 Darknet19为backbone，13x13网格，输出13x13x125，每个格子预测

目标检测YOLO实战应用案例100讲-基于改进的YOLOv4柑橘目标检测算法

qq_36130719的博客

06-21

1207

上世纪60年代，计算机视觉[1]（Computer Vision，CV）的概念被提出并定义为简单几何物体的形状识别和重建。随着科技的进步，计算机技术渗透到人们生活的方方面面。计算机视觉技术赋予计算机以人类智慧，计算机依靠“眼睛”观察世界、通过“大脑”处理信息和认识世界——摄像头获取外界的图像或视频，特征提取器获得位置信息和语义信息。人类的想象力只能到达三维空间，计算机却可以轻松处理一些高维的、抽象的信息，能够参与到诸如视频分析、图像识别等复杂任务中，人们的工作和生活被大大简化。

YOLO综述：从YOLOV1到YOLOV8

qq_33287871的博客

04-08

2189

YOLO 已成为机器人、无人驾驶汽车和视频监控应用的中央实时目标检测系统。我们对 YOLO 的演变进行了全面分析，检查了从原始 YOLO 到 YOLOv8 的每次迭代中的创新和贡献。我们首先描述标准指标和后处理；然后，我们讨论了每个模型的网络架构和训练技巧的主要变化。最后，我们总结了 YOLO 发展的重要经验教训，并展望了其未来，强调了增强实时目标检测系统的潜在研究方向。

yolov7 详解(1)：yolov7 网络结构及创新点

@bangbang的博客

07-23

1459

Yolov7超过了目前已知的所有检测器，无论是从速度还是精度上，最高的模型AP值达到56.8%，有着30FPS。Yolov7-E6检测器（56FPS、55.9%AP）超过了所有的transformer-based的检测器如SWIN-L Cascade-Mask R-CNN（9.2FPS A100，53.9AP），速度是其509%倍，精度提升2%；

YOLOv5 添加 OTA，并使用 coco、CrowdHuman数据集进行训练。

To_be_little的博客

10-25

1362

yolov5 OTA 训练 coco128、coco、corwdhuamn 数据集

YOLOv5改进损失函数-使用OTA

CrazyDaney的博客

05-13

629

前向推理代码处，313行，将。张量维度匹配不上，将。

目标检测——YOLOv3、YOLOv4、YOLOv5、YOLOv7正负样本匹配、YOLO3损失函数理解

Chaoy6565的博客

01-14

5356

学习小计。有什么不对的地方，还请大家指正。

YoloX中标签匹配策略SimOTA代码详解

发光吧的博客

10-22

1520

YoloX中标签匹配策略SimOTA代码详解

yolov5改进OTA

追梦小狂魔的博客

03-16

712

loss函数后面加上下面的代码。修改train.py。

目标检测5--旷视YOLOX算法介绍

机器人视觉感知

10-11

2880

2021年07月份，旷视的Zheng Ze与提交的论文中提出的检测算法。主要工作聚焦在和。作者使用YOLOX获得了2021年CVPR Autonomous Driving领域的第一名BaseDet。之前YOLO系列的论文自YoloV1后都是的，但自那之后如等的算法不断进步，YoloX的作者再次尝试将的算法技巧应用到Yolo算法上。作者认为属于优化过度的算法，因此其提出的YoloX算法主要与YoloV3做比较。YoloX中的使用的baseline是YoloV3-SPP,YoloV3-SPP中作者引入了。

YOLO学习01（跑通yolov5尝试）

ling_er_mei_mei的博客

07-03

6321

绘制思维导图手把手教你搭建自己的yolov5目标检测平台

改进YOLOv7系列：24.添加SimAM注意力机制

热门推荐

包括YOLOv5、YOLOv7、YOLOv8等模型改进

09-04

1万+

百面计算机视觉 --yolov5 yolov7 目标检测网络改进：引入特征细化网络，重建检测颈部网络，层层递进

人工智能曾小健

10-18

2475

参考文献：用于微小目标检测的上下文增强和特征细化网络可以很清楚的看到，YOLOv7大部分继承自YOLOv5，包括整体网络架构、配置文件的设置和训练、推理、验证过程等等，基本上熟悉v5就可以无脑上手v7了；此外，v7也有不少继承自YOLOR，毕竟是同一个作者前后年的工作，包括不同网络的设计、超参数设置以及隐性知识学习的加入；还有就是在正样本匹配时仿照了YOLOX的SimOTA策略。

yolov5改进ota

08-30

对于改进 YOLOv5 的 OTA（One-stage Object Detection）算法，可以尝试以下几个方向： 1. 网络结构改进：可以尝试使用更深的网络结构，增加网络的层数，以提高检测的精度和召回率。也可以尝试引入注意力机制或残差连接等模块，以帮助网络更好地学习目标的特征。 2. 数据增强策略改进：通过更丰富的数据增强策略，如旋转、尺度变化、颜色扰动等，可以增加训练数据的多样性，提高模型的泛化能力和鲁棒性。 3. 损失函数改进：可以尝试设计更合理的损失函数，如 Focal Loss、IoU Loss 等来优化模型的训练过程和目标检测的准确性。 4. 特征金字塔网络改进：可以考虑使用更高效的特征金字塔网络（如 PANet、BiFPN 等），以提取多尺度的特征信息，增强目标的定位和尺度适应性。 5. 预训练策略改进：可以使用更大规模、更多样化的预训练数据集进行模型的预训练，以提高模型在目标检测任务上的表现。这些只是一些可能的方向，具体的改进策略还需根据实际情况进行调整和优化。同时，OTA 算法的改进需要在大量的实验验证和实际应用中进行迭代和调优。