YOLOv5s网络模型讲解(一看就会)

已于 2024-05-27 15:53:39 修改
阅读量2.8w 收藏 428
点赞数 53
分类专栏： 目标检测 文章标签： YOLO 深度学习 神经网络
于 2023-03-08 18:55:42 首次发布
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_44231797/article/details/129408786
版权

文章目录

前言

最近在重构YOLOv5代码，本章主要介绍YOLOv5s的网络结构

1、YOLOv5s-6.0组成

我们熟知YOLOv5s由三部分组成，分别为backbone、neck、head

  1. backbone：主干网络，大多时候指的是提取特征的网络，其作用就是提取图片中的信息，供后面的网络使用。backbone主干网络可以直接加载官方已经训练好的模型参数，此外其后面，添加自己需要的网络，让自定义模型更加贴合实际使用。
  2. neck：放在backbone和head之间，进一步利用backbone提取的特征，提高模型的鲁棒性
  3. head：获取网络输出，head利用之前提取的特征，做出预测。

2、YOLOv5s网络介绍

2.1、参数解析

  1. nc：数据集中的类别数

  2. depth_multiple：模型层数因子(用来调整网络的深度)

    1. 为了控制层的重复的次数。它会和后面的backbone & head的number相乘后取整，代表该层的重复的数量
    2. 如：[[-1, 1, Conv, [64, 6, 2, 2]]，当depth_multiple为1时候，则重复1*1个
depth_multiple0.330.671.01.33
模块 [参数]yolov5syolov5myolov5lyolov5x
第1个C3 [-1, 3, C3, [128]]BottleNeck x 1BottleNeck x 2BottleNeck x 3BottleNeck x 4
第2个C3 [-1, 6, C3, [256]]BottleNeck x 2BottleNeck x 4BottleNeck x 6BottleNeck x 8
第3个C3 [-1, 9, C3, [512]]BottleNeck x 3BottleNeck x 6BottleNeck x 9BottleNeck x 12
第4个C3 [-1, 3, C3, [1024]]BottleNeck x 1BottleNeck x 2BottleNeck x 3BottleNeck x 4
第5个C3 [-1, 3, C3, [512, False]]BottleNeck x 1BottleNeck x 2BottleNeck x 3BottleNeck x 4
第6个C3 [-1, 3, C3, [256, False]]BottleNeck x 1BottleNeck x 2BottleNeck x 3BottleNeck x 4
第7个C3 [-1, 3, C3, [512, False]]BottleNeck x 1BottleNeck x 2BottleNeck x 3BottleNeck x 4
第8个C3 [-1, 3, C3, [1024, False]]BottleNeck x 1BottleNeck x 2BottleNeck x 3BottleNeck x 4

  1. width_multiple：模型通道数因子(用来调整网络的宽度)

    1. 为了控制输出特征图的通道数，它会和出特征图的通道数相乘，代表该层的输出通道数。
    2. 如：[[-1, 1, Conv, [64, 6, 2, 2]]，当width_multiple为0.5时候，则输出通道为64*0.5=32通道
width_multiple0.50.751.01.25
模块 [输出通道数/卷积核个数/步长/零填充]yolov5syolov5myolov5lyolov5x
第1个Conv [64, 6, 2, 2]32486480
第2个Conv [128, 3, 2]6496128160
第3个Conv [256, 3, 2]128192256320
第4个Conv [512, 3, 2]256384512640
第5个Conv [1024, 3, 2]51276810241280
第6个Conv [512, 1, 1]256384512640
第7个Conv [256, 1, 1]128192256320
第8个Conv [256, 3, 2]128192256320
第9个Conv [512, 3, 2]256384512640

  1. anchors：锚定框

    1. yolov5 初始化了 9 个 anchors，分别在三个特征图 （feature map）中使用，每个 feature map 的每个 grid cell （网络单元）都有三个 anchor 进行预测。分配规则：
      • 尺度越大的 feature map 越靠前，相对原图的下采样率越小，感受野越小，所以相对可以预测一些尺度比较小的物体(小目标)，分配到的 anchors 越小。
      • 尺度越小的 feature map 越靠后，相对原图的下采样率越大，感受野越大，所以可以预测一些尺度比较大的物体(大目标)，所以分配到的 anchors 越大。
      • 即在小特征图（feature map）上检测大目标，中等大小的特征图上检测中等目标，在大特征图上检测小目标。

5.如何计算参数

H₂=(H1-K+2P)/S+1

其中，H1代表输入宽度，K代表卷积核个数，P代表零填充，S代表步长。

  • Conv：卷积，一般来说宽高会降低一半（主要看参数）。
  • Upsample: 上采样，宽高升高一倍。
  • Concat：拼接，宽高一致情况下，维度相加。
  • 一般S步长为2时候，宽高都会缩小一半，因为除以2

  1. [from, number, module, args] 参数

    [from, number, module, args]

    1. 第一个参数 from ：从哪一层获得输入，-1表示从上一层获得，[-1, 6]表示从上层和第6层两层获得。
    2. 第二个参数 number：表示有几个相同的模块，如果为9则表示有9个相同的模块。
    3. 第三个参数 module：模块的名称，这些模块写在common.py中。
    4. 第四个参数 args：类的初始化参数，用于解析作为 moudle 的传入参数。
      • args参数依次为：输出channel,卷积核大小kernel size,步长stride,p零填充大小，以字典的形式给出，具体取决于该层所使用的模块类型。即，这些参数在初始化时将模块的形参进行了更新。
 # [from, number, module, args]
 # 输入640*640
 # [64, 6, 2, 2] c2=64,k=6,s=2,p=2 , s=2 宽高减半
 # [128, 3, 2] c2=128,k=3,s=2
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 64*320*320
   [-1, 1, Conv, [128, 3, 2]],    # 128*160*160
   [-1, 3, C3, [128]],            # 128*160*160
   [-1, 1, Conv, [256, 3, 2]],    # 256*80*80
   [-1, 6, C3, [256]],            # 256*80*80
   [-1, 1, Conv, [512, 3, 2]],    # 512*40*40
   [-1, 9, C3, [512]],            # 512*40*40
   [-1, 1, Conv, [1024, 3, 2]],   # 1024*20*20
   [-1, 3, C3, [1024]],           # 1024*20*20
   [-1, 1, SPPF, [1024, 5]],      # 1024*20*20
  ]

针对Conv模块，我们可以在YOLO的目录下的module/common.py·中找到如下图所示的Conv的代码：

在这里插入图片描述
在模块初始化时，这些模块的参数的作用：

一般的数据都是从c2开始依次传输，即 [128, 3, 2] 代表 c2=128,k=3,s=2

  1. c1 ：表示输入通道数，即输入特征图的深度或通道数。它决定了输入特征图的形状。
  2. c2 ：表示输出通道数，即卷积层中卷积核的数量，也是输出特征图的深度或通道数。它决定了输出特征图的形状。
  3. k：表示卷积核的大小或尺寸。在这里，k 是一个整数，表示卷积核的高度和宽度相等。例如，k=3 表示使用一个 3x3 的卷积核。
  4. s：表示卷积的步幅（stride），即卷积核在输入特征图上滑动的步长。默认情况下，步幅为 1，表示卷积核每次滑动一个像素。如果设置 s=2，则卷积核每次滑动两个像素。
  5. p：表示卷积的填充（padding）。填充是在输入特征图周围添加额外的像素，以控制输出特征图的大小。p 可以是一个整数，表示在每个边缘添加相同数量的填充像素，也可以是一个元组 (p1, p2)，其中 p1 表示在高度方向的填充数，p2 表示在宽度方向的填充数。默认情况下，没有填充。
  6. g：表示分组卷积（group convolution）中的分组数。默认为 1，表示标准的卷积操作。当 g 大于 1 时，卷积核被分成 g 个子组，每个子组进行独立的卷积操作。分组卷积可以降低计算量，减少参数数量。
  7. d：表示卷积操作的扩张（dilation）。扩张卷积是通过在卷积核元素之间添加间隔来增加感受野的。d 的默认值为 1，表示标准的卷积操作。当 d 大于 1 时，卷积核元素之间会有间隔。

2.2、YOLOv5s.yaml

nc: 80  # number of classes 数据集中的类别数，也就是你要检测的类别数
depth_multiple: 0.33  # model depth multiple  模型层数因子(用来调整网络的深度)
width_multiple: 0.50  # layer channel multiple 模型通道数因子(用来调整网络的宽度)
 
anchors: # 表示作用于当前特征图的Anchor大小为 xxx
# 9个anchor，其中P表示特征图的层级，P3/8该层特征图缩放为1/8,是第3层特征
  - [10,13, 16,30, 33,23]  # P3/8， 表示[10,13],[16,30], [33,23]3个anchor
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32
 
 
# YOLOv5s v6.0 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2，通过该层之后特征图的大小变成原图的1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4，通过该层之后特征图的大小变成原图的1/4
   [-1, 3, C3, [128]],          # 2，通过该层之后特征图的大小不变
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8，过该层之后特征图的大小变成原图的1/8
   [-1, 6, C3, [256]],			# 4，通过该层之后特征图的大小不变
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16，，过该层之后特征图的大小变成原图的1/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]
 
# YOLOv5s v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']], #11 不改变通道数，特征图的长和宽会增加一倍
   [[-1, 6], 1, Concat, [1]],  # 12 cat backbone P4 与第6层的输出进行特征图的融合
   [-1, 3, C3, [512, False]],  # 13
 
   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3，与第4层的输出进行特征图的融合。
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)
 
   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4，与第14层的输出进行特征图的融合
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)
 
   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5，与第10层的输出进行特征图的融合
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)
 
   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

2.3、YOLOv5s网络结构图

在这里插入图片描述

2.4、YOLOv5l.yaml

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters
nc: 80  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  # 输入 640*640
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2    64*320*320
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4      128*160*160 
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8      256*80*80
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16     512*40*40
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32    1024*20*20
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9             1024*20*20
  ]

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]], #              512*20*20   
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],#   512*40*40
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4  1024*40*40
   [-1, 3, C3, [512, False]],  # 13               512*40*40

   [-1, 1, Conv, [256, 1, 1]],#                   256*40*40
   [-1, 1, nn.Upsample, [None, 2, 'nearest']], #  256*80*80
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3  512*80*80
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)  256*80*80

   [-1, 1, Conv, [256, 3, 2]], #                 256*40*40
   [[-1, 14], 1, Concat, [1]],  # cat head P4    512*40*40
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium) 512*40*40

   [-1, 1, Conv, [512, 3, 2]], #                  512*20*20
   [[-1, 10], 1, Concat, [1]],  # cat head P5     1024*20*20
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)  1024*20*20

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

2.5、YOLOv5l 网络结构图

在这里插入图片描述

3、附件

在yolov5中有l,n,m,s,x，5种配置文件，这5种配置文件只是depth_multiple和width_multiple两个参数不同，其它部分都相同的。

3.1、yolov5s.yaml 解析表

  1. yolov5s.yaml的width_multiple都为0.50
  2. 举例：[[-1, 1, Conv, [64, 6, 2, 2]]，当width_multiple为0.5时候，则输出通道为64*0.5=32通道
层数frommouduleargumentsinputoutput
0-1Conv[3, 32, 6, 2, 2][3, 640, 640][32, 320, 320]
1-1Conv[32, 64, 3, 2][32, 320, 320][64, 160, 160]
2-1C3[64, 64, 1][64, 160, 160][64, 160, 160]
3-1Conv[64, 128, 3, 2][64, 160, 160][128, 80, 80]
4-1C3[128, 128, 2][128, 80, 80][128, 80, 80]
5-1Conv[128, 256, 3, 2][128, 80, 80][256, 40, 40]
6-1C3[256, 256, 3][256, 40, 40][256, 40, 40]
7-1Conv[256, 512, 3, 2][256, 40, 40][512, 20, 20]
8-1C3[512, 512, 1][512, 20, 20][512, 20, 20]
9-1SPPF[512, 512, 5][512, 20, 20][512, 20, 20]
10-1Conv[512, 256, 1, 1][512, 20, 20][256, 20, 20]
11-1Upsample[None, 2, ‘nearest’][256, 20, 20][256, 40, 40]
12[-1, 6]Concat[1][1, 256, 40, 40],[1, 256, 40, 40][512, 40, 40]
13-1C3[512, 256, 1, False][512, 40, 40][256, 40, 40]
14-1Conv[256, 128, 1, 1][256, 40, 40][128, 40, 40]
15-1Upsample[None, 2, ‘nearest’][128, 40, 40][128, 80, 80]
16[-1, 4]Concat[1][1, 128, 80, 80],[1, 128, 80, 80][256, 80, 80]
17-1C3[256, 128, 1, False][256, 80, 80][128, 80, 80]
18-1Conv[128, 128, 3, 2][128, 80, 80][128, 40, 40]
19[-1, 14]Concat[1][1, 128, 40, 40],[1, 128, 40, 40][256, 40, 40]
20-1C3[256, 256, 1, False][256, 40, 40][256, 40, 40]
21-1Conv[256, 256, 3, 2][256, 40, 40][256, 20, 20]
22[-1, 10]Concat[1][1, 256, 20, 20],[1, 256, 20, 20][512, 20, 20]
23-1C3[512, 512, 1, False][512, 20, 20][512, 20, 20]
24[17, 20, 23]Detect[80, [[10, 13, 16, 30, 33, 23], [30, 61, 62, 45, 59, 119], [116, 90, 156, 198, 373, 326]], [128, 256, 512]][1, 128, 80, 80],[1, 256, 40, 40],[1, 512, 20, 20][1, 3, 80, 80, 85],[1, 3, 40, 40, 85],[1, 3, 20, 20, 85]

3.2、 yolov5l.yaml 解析表

注：yolov5l.yaml的depth_multiple和width_multiple都为1

层数frommouduleargumentsinputoutput
0-1Conv[3, 64, 6, 2, 2][3, 640, 640][64, 320, 320]
1-1Conv[64, 128, 3, 2][64, 320, 320][128, 160, 160]
2-1C3[128,128, 1][128, 160, 160][128 160, 160]
3-1Conv[128,256, 3, 2][128 160, 160][256, 80, 80]
4-1C3[256,256, 2][256, 80, 80][256, 80, 80]
5-1Conv[256,512, 3, 2][256, 80, 80][512, 40, 40]
6-1C3[512, 512, 3][512, 40, 40][512, 40, 40]
7-1Conv[512, 1024, 3, 2][512, 40, 40][1024, 20, 20]
8-1C3[1024, 1024, 1][1024, 20, 20][1024, 20, 20]
9-1SPPF[1024, 1024, 5][1024, 20, 20][1024, 20, 20]
10-1Conv[1024,512, 1, 1][1024, 20, 20][512, 20, 20]
11-1Upsample[None, 2, ‘nearest’][512, 20, 20][512, 40, 40]
12[-1, 6]Concat[512+512][1, 512, 40, 40],[1, 512, 40, 40][1024, 40, 40]
13-1C3[1024,512, 1, False][1024, 40, 40][512, 40, 40]
14-1Conv[512,256, 1, 1][512, 40, 40][256, 40, 40]
15-1Upsample[None, 2, ‘nearest’][256, 40, 40][256, 80, 80]
16[-1, 4]Concat[256+256][1, 256, 80, 80],[1, 256, 80, 80][512, 80, 80]
17-1C3[512, 256, 1, False][512, 80, 80][256, 80, 80]
18-1Conv[256, 256, 3, 2][256, 80, 80][256, 40, 40]
19[-1, 14]Concat[256+256][1, 256, 40, 40],[1, 256, 40, 40][512, 40, 40]
20-1C3[512, 512, 1, False][512, 40, 40][512, 40, 40]
21-1Conv[512, 512, 3, 2][512, 40, 40][512, 20, 20]
22[-1, 10]Concat[512+512][1, 512, 20, 20],[1, 512, 20, 20][1024 20, 20]
23-1C3[1024,1024, 1, False][1024, 20, 20][1024, 20, 20]
24[17, 20, 23]Detect[80, [[10, 13, 16, 30, 33, 23], [30, 61, 62, 45, 59, 119], [116, 90, 156, 198, 373, 326]], [128, 256, 512]][1, 256, 80, 80],[1, 512, 40, 40],[1, 1024, 20, 20][1, 3, 80, 80, 85],[1, 3, 40, 40, 85],[1, 3, 20, 20, 85]

4、总结

其实看懂代码，结合画的网络结构图，就很容易理解YOLO的模型。后续，将会介绍如何利用YOLOv5进行训练。

参考文章

  1. YOLOv5 模型结构及代码详细讲解
  2. YOLOv5-网络结构
  3. YOLOv5 Focus C3 各模块详解及代码实现

5、目标检测系列文章

  1. 生活垃圾数据集（YOLO版）
  2. YOLOv5如何训练自己的数据集
  3. 双向控制舵机（树莓派版）
  4. 树莓派部署YOLOv5目标检测（详细篇）
  5. YOLO_Tracking 实践 （环境搭建 & 案例测试）
  6. 目标检测：数据集划分 & XML数据集转YOLO标签
  7. YOLOv5改进–轻量化YOLOv5s模型
  8. DeepSort行人车辆识别系统（实现目标检测+跟踪+统计）
  9. YOLOv5目标检测优化点（添加小目标头检测）
  10. YOLOv5参数大全(parse_opt篇)
  11. YOLOv5改进策略：Focaler-IoU损失函数改进
wisdom_zhe
关注
  • 53
    点赞
  • 踩
  • 428
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
专栏目录
YoLov5s 网络结构图
08-06
Yolov5s具有以下特点： 1、Yolov5s是一种基于Deep CNN的目标检测算法，网络结构采用轻量化实现，旨在提高检测速度和准确率。 2、其网络结构可以分为主干网络和检测头两部分，主干网络利用CSP Darknet53，检测头部分则包括多个卷积层和检测层，其中检测层主要实现目标检测的过程。 3、相较于其他目标检测算法，Yolov5s在推理阶段不需要借助Anchor，从而降低了复杂度，提高了速度。 这里是Yolov5s的网络结构，根据onnx进行生成的png图片。可以直接缩小和放大，观看方便，无水印！！！！！
yolov5的模型yolov5s.pt
06-20
凭什么要收我们的钱啊？？？ 直接下
yolov5s_tvm目标检测算法模型
qq_27815483的博客
06-24 405
YOLOv5s是一种目标检测模型，是YOLOv5系列中的一个较小版本,基于TVM进行优化
YOLOv5核心基础知识讲解
weixin_43960370的博客
04-12 9813
我这主要是老师的内容！！
Yolov5模型预训练权重---【包含yolov5s、yolov5s6、yolov5m、yolov5m6、yolov5l等】
07-31
Yolov5模型预训练权重---【包含yolov5s、yolov5s6、yolov5m、yolov5m6、yolov5l、yolov5l6、yolov5m、yolov5m6、yolov5x等】
改进YOLOv5s的道路目标检测算法
05-12
YOLOv5s网络结构主要分为输入端、Backbone、Neck和输出端4个部分, 如图1所示．在输入端对图像进行预处理, 完成Mosaic数据增强、自动计算锚框和自适应图像缩放．将图像输入Backbone部分进行Focus操作, 即对图像进行切片操作, 每隔一个像素取一个值,将原始图像划分为4份数据, 该方式可以减少下采样导致的信息损失．跨阶段局部(cross-stage partial, CSP)模块在主干网络中主要是用作局部跨通道融合, 利用每层的特征信息获取更加丰富的特征图像．在Neck部分通过上采样层和CSP模块将高层的语义信息与底层的位置信息相融合,进而得到预测的特征图像并将其输入输出端．输出端拥有3种不同尺寸的特征图像,根据各特征生成预测框进行非极大值抑制,保留局部类别置信度较高的预测框
YOLOv5网络模型的结构原理讲解（全）
热门推荐
码农研究僧的博客
04-25 6万+
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
yolov5s-5.0网络模型结构图
qianxun
01-04 4万+
看了很多yolov5方面的东西，最近需要yolov5得模型结构图，但是网上的最多的是大白老师的，但是大白老师的yolov5得模型结构图不知道是哪个版本得，肯定不是5.0和6.0版本得。参考了大白老师得模型结构图和其他大佬的模型结构图，以及参考了yolov5得onnx。画出了以下得结构图，初次画不知道有些地方是否对不对，如果有错误，请大家指出。。。 这个模型结构图是用思维导图画出来得。这里面有几个点可能与其他人画的不一样。 1、5.0采用的激活函数是SiLU(),不再是LeaKyReLU()，所以这里
YOLOv5改进（一）--轻量化YOLOv5s模型
qq_44231797的博客
04-07 4211
轻量化YOLOv5s模型
yolov5s 模型.rar
07-04
YOLOv5s模型是基于YOLO（You Only Look Once）系列的目标检测算法的一个变体，专注于提供更快的推理速度和保持相对高的检测精度。YOLO最初由Joseph Redmon等人在2016年提出，它以其实时目标检测能力而闻名，通过在...
yolov5s.rar
06-28
YOLOv5s模型是基于YOLO（You Only Look Once）系列的深度学习目标检测算法的一个版本，由 Ultralytics 团队开发。YOLOv5s 是“small”版本，设计用于更快的推理速度和更小的计算资源需求，同时保持了较高的检测精度...
yolov5s_模型.zip
06-16
YOLOv5s模型是基于YOLO（You Only Look Once）系列的深度学习目标检测算法的一个版本，由 Ultralytics 团队开发。YOLO是一种实时的物体检测系统，以其高效和准确性著称，广泛应用于自动驾驶、监控视频分析、机器人...
yolov5s.zip
07-29
YOLOv5s.zip是一个包含YOLOv5s模型文件的压缩包，主要涉及目标检测技术，该技术在人工智能（AI）领域具有广泛的应用。YOLO（You Only Look Once）是一种实时目标检测系统，以其高效和准确性而闻名，特别是在计算机...
yolov5模型原理及代码讲解1.0
Gallagher_Awake的博客
06-16 2264
对yolov5模型的理解
【Yolov系列】Yolov5学习（一）：大致框架
qq_43737512的博客
04-24 3435
Yolov5学习（一）：大致框架
yolov5模型原理及代码流程讲解（v6.0）
liuandy6612的博客
05-31 1万+
目标检测，yolov5
基于设备上解码的 Yolo 检测
oakchina的博客
08-02 806
该存储库( 修改自) 包含直接使用 DepthAI SDK (main_sdk.py) 或 DepthAI API (main_api.py) 在设备上解码运行 Yolo 目标检测的代码。目前，支持的版本有：YoloV5,YoloV6,YoloV7,YoloV8,YoloV9,YoloV10我们在(不推荐) 和中使用相同样式的 JSON 解析，但您也可以在代码中手动设置这两种情况下的值。
本科阶段最后一次竞赛Vlog——2024年智能车大赛智慧医疗组准备全过程——2Yolo使用之ONNX模型准备
最新发布
Azheyangba的博客
08-02 649
本期，给大家带来了如何在windows训练yolov5，大家可以试试当然本期介绍确实没啥含金量，网上有关教程也满天飞，我也参考了好多大佬的文章，也就是对于大佬们详细版本的总结一下下一期讲给大家带来与地平线更为相关的内容，包括bin模型转化环境，以及转化过程的提炼版本。
yolov5s网络结构详解
08-18
Yolov5s是一种用于目标检测的深度学习模型，其网络结构可以通过可视化图进行详解。Yolov5s的网络结构主要包括以下几个部分：输入层、主干网络、特征金字塔、预测头和输出层。 在Yolov5s中，输入层接受输入图像，并将其缩放到预定义的输入尺寸。接下来，主干网络是由一系列卷积层和残差块组成的，用于提取图像特征。这些特征经过特征金字塔模块处理，以获取不同尺度的特征图用于目标检测。 预测头是用来预测目标的位置和类别的。它由一系列卷积层和全连接层组成，将主干网络输出的特征图转化为边界框的位置和类别的预测。 最后，输出层将预测的结果进行后处理，如非极大值抑制(NMS)，以去除重叠的边界框，并输出最终的目标检测结果。 需要注意的是，Yolov5s的网络结构可以通过调整超参数来适应不同的检测任务和计算资源。此外，还有其他几个版本的Yolov5，如Yolov5m、Yolov5l和Yolov5x，它们在网络结构上略有不同，但基本原理相同。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [【YOLOv5】详细讲解全过程](https://blog.csdn.net/u013066730/article/details/126068967)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
评论 6
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