YOLOv5改进（二）-- 目标检测优化点（添加小目标头检测）

已于 2024-05-27 19:56:36 修改
阅读量2.6k 收藏 67
点赞数 39
分类专栏： 目标检测 文章标签： YOLO 目标检测 人工智能
于 2024-04-14 00:35:23 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/137729312
版权

文章目录

1、前言

在检测过程中，碰到小的目标物体，采用YOLOv5模型，难以检测到小目标，因此本文提出，增加小目标检测头，从浅层特征图学习到小目标的特征信息后，与深层特征图拼接，从而使深层网络也能够学习到小目标的特征信息，让网络更加关注小目标的检测，提高目标检测效果。唯一缺点是随着网络层数增多，带来计算量的增加导致检测推理速度减慢。

2、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。

3、YOLOv5小目标改进-1

3.1、结构文件

yolov5l.yaml 源文件

# 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]
  # args: channel，kernel_size，stride，padding，bias等
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-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
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

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

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

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

添加多一层小目标检测，即默认三头检测，现在是四头检测。

创建 yolov5l-4P.yaml ，代码如下

# 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 ]  # P2/4
  - [ 30,61, 62,45, 59,119 ]  # P3/8
  - [ 116,90, 156,198, 373,326 ]  # P4/16
  - [ 436,615,  739,380,  925,792 ]  # P5/32

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  # args: channel，kernel_size，stride，padding，bias等
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],  # 10   20*20
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [512, 1, 1]], # 14  40*40 [512,40,40]
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],   # [512,80,80]
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3   80*80  [768,80,80]
   [-1, 3, C3, [512, False]],  # 17 (P3/8-small)  80*80  [768,80,80]

   [-1, 1, Conv, [256, 1, 1]],  # 18  [256,80,80]
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],  # [256,160,160]
   [[-1, 2], 1, Concat, [1]],  # cat backbone P3 # [384,160,160]
   [-1, 3, C3, [256, False]],  # 21 (P3/8-small) # [256,160,160]

   [-1, 1, Conv, [256, 3, 2]],   # 22  80*8  [256,80,80]
   [[-1, 18], 1, Concat, [1]],  # cat head P4  [512,80,80]
   [-1, 3, C3, [256, False]],  # 24 (P4/16-medium) [256,80,80]

   [-1, 1, Conv, [256, 3, 2]],  # [256,40,40]
   [[-1, 14], 1, Concat, [1]],  # cat head P4 [768,40,40]
   [-1, 3, C3, [512, False]],  # 27 (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]],  # 30 (P5/32-large) [1024,20,20]

   [[21, 24, 27,30], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

3.2、结构图

改进前

在这里插入图片描述

改进后

在这里插入图片描述

3.3、参数对比

3.3.1、yolov5l.yaml 解析表

1. 注：yolov5l.yaml的depth_multiple和width_multiple都为1
2. 利用上述公式进行计算，H₂=(H1-K+2P)/S+1。
3. args: channel，kernel_size，stride，padding，bias等
4. （640-6+2*2）/ 2 +1 =320

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]

3.3.2、 yolov5l-4P.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[512,512, 1, 1][512, 40, 40][512, 40, 40]
15-1Upsample[None, 2, ‘nearest’][512, 40, 40][512, 80, 80]
16[-1, 4]Concat[256+512][1, 256, 80, 80],[1, 512, 80, 80][768, 80, 80]
17-1C3[768, 512, 1, False][768, 80, 80][512, 80, 80]
18-1Conv[512, 256, 1, 1][512, 80, 80][256, 80, 80]
19-1Upsample[None, 2, ‘nearest’][256, 80, 80][256, 160, 160]
20[-1, 2]Concat[256+128][1, 256, 160, 160],[1, 128, 160, 160][384, 160, 160]
21-1C3[384, 256, 1, False][384, 160, 160][256, 160, 160]
22-1Conv[256, 256, 3, 2][256, 160, 160][256, 80, 80]
23[-1, 18]Concat[256+256][1, 256, 80, 80],[1,256, 80, 80][512, 80, 80]
24-1C3[512,256, 1, False][512, 80, 80][256,80,80]
25-1Conv[256, 3, 2][256,80,80][256,40,40]
26[-1, 14]Concat[256+512][256,40,40][768,40,40]
27-1C3[768,512, 1, False][768,40,40][512,40,40]
28-1Conv[512, 3, 2][512,40,40][512,20,20]
29[-1, 10]Concat[512+512][512,20,20][1024,20,20]
30-1C3[1024,1024, 1, False][1024,20,20][1024,20,20]
31[21, 24, 27,30]Detect[80, [[10, 13, 16, 30, 33, 23], [30, 61, 62, 45, 59, 119], [116, 90, 156, 198, 373, 326],[ 436,615, 739,380, 925,792 ]], [256, 256, 512,1024]][1, 256, 160, 160],[1, 256, 80, 80],[1, 512, 40, 40],[1, 1024, 20, 20][1, 3, 160, 160, 80],[1, 3, 80, 80, 80],[1, 3, 40, 40, 80],[1, 3, 20, 20, 80]

4、YOLOv5小目标改进-2

4.1、结构文件

自动锚框四头（P2, P3, P4, P5）

# 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: 3  # AutoAnchor evolves 3 anchors per P output layer

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

# YOLOv5 v6.0 head with (P2, P3, P4, P5) outputs
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-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
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [128, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 2], 1, Concat, [1]],  # cat backbone P2
   [-1, 1, C3, [128, False]],  # 21 (P2/4-xsmall)

   [-1, 1, Conv, [128, 3, 2]],
   [[-1, 18], 1, Concat, [1]],  # cat head P3
   [-1, 3, C3, [256, False]],  # 24 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 27 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 30 (P5/32-large)

   [[21, 24, 27, 30], 1, Detect, [nc, anchors]],  # Detect(P2, P3, P4, P5)
  ]

4.2、结构图

在这里插入图片描述

5、YOLOv5小目标改进-3

5.1、结构文件

四头BiFPN（P3, P4, P5, P6）

# parameters
nc: 80  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple

# anchors
anchors:
  - [ 19,27,  44,40,  38,94 ]  # P3/8
  - [ 96,68,  86,152,  180,137 ]  # P4/16
  - [ 140,301,  303,264,  238,542 ]  # P5/32
  - [ 436,615,  739,380,  925,792 ]  # P6/64

# YOLOv5 backbone
backbone:
  # [from, number, module, args]
  [ [-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
    [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
    [-1, 3, C3, [128]],
    [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
    [-1, 6, C3, [256]],
    [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
    [-1, 9, C3, [512]],
    [-1, 1, Conv, [768, 3, 2]],  # 7-P5/32
    [-1, 3, C3, [768]],
    [-1, 1, Conv, [1024, 3, 2]],  # 9-P6/64
    [-1, 3, C3, [1024]],
    [-1, 1, SPPF, [1024, 5]],  # 11
  ]

# YOLOv5 head
head:
  [ [ -1, 1, Conv, [ 768, 1, 1 ] ],    # 12 head
    [ -1, 1, nn.Upsample, [ None, 2, 'nearest' ] ],
    [ [ -1, 8 ], 1, BiFPN_Add2, [ 384,384] ],  # cat backbone P5
    [ -1, 3, C3, [ 768, False ] ],  # 15

    [ -1, 1, Conv, [ 512, 1, 1 ] ],
    [ -1, 1, nn.Upsample, [ None, 2, 'nearest' ] ],
    [ [ -1, 6 ], 1, BiFPN_Add2, [ 256,256] ],  # cat backbone P4
    [ -1, 3, C3, [ 512, False ] ],  # 19

    [ -1, 1, Conv, [ 256, 1, 1 ] ],
    [ -1, 1, nn.Upsample, [ None, 2, 'nearest' ] ],
    [ [ -1, 4 ], 1, BiFPN_Add2, [ 128,128] ],  # cat backbone P3
    [ -1, 3, C3, [ 256, False ] ],  # 23 (P3/8-small)

    [ -1, 1, Conv, [ 512, 3, 2 ] ],
    [ [ -1, 6, 19 ], 1, BiFPN_Add3, [ 256 , 256 ] ],  # cat head P4
    [ -1, 3, C3, [ 512, False ] ],  # 26 (P4/16-medium)

    [ -1, 1, Conv, [ 768, 3, 2 ] ],
    [ [ -1, 8, 15 ], 1, BiFPN_Add3, [ 384,384 ] ],  # cat head P5
    [ -1, 3, C3, [ 768, False ] ],  # 29 (P5/32-large)

    [ -1, 1, Conv, [ 1024, 3, 2 ] ], #30
    [ [ -1, 11 ], 1, BiFPN_Add2, [ 512, 512] ],  # cat head P6
    [ -1, 3, C3, [ 1024, False ] ],  # 32 (P6/64-xlarge)

    [ [ 23, 26, 29, 32 ], 1, Detect, [ nc, anchors ] ],  # Detect(P3, P4, P5, P6)
  ]

6、YOLOv5小目标改进-4

6.1、结构文件

两头(P3,P4)

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters
nc: 80  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
anchors: 3  # AutoAnchor evolves 3 anchors per P output layer

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

# YOLOv5 v6.0 head with (P3, P4) outputs
head:
  [ [ -1, 1, Conv, [ 512, 1, 1 ] ],
    [ -1, 1, nn.Upsample, [ None, 2, 'nearest' ] ],
    [ [ -1, 6 ], 1, Concat, [ 1 ] ],  # cat backbone P4
    [ -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
    [ -1, 3, C3, [ 256, False ] ],  # 17 (P3/8-small)

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

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

7、优化点

7.1、改进模型其他思路

在这里插入图片描述

7.2、如何使用更深层次的网络

更深层次的网络在models/hub里面自带了，一般是高分辨率图像适合使用的。

在这里插入图片描述

8、遇到的问题

RuntimeError: The size of tensor a (3) must match the size of tensor b (4) at non-singleton dimension 0

原因：

  1. 要求anchors个数是4个，目前匹配到了3个，还缺少1个。
  2. 因为添加了额外输出层，但是我们没有为该层定义任何的anchors。

解决方案：

  1. 我们额外为该层添加一个anchors
  2. 设置自动添加anchor
    • anchors: 3 # AutoAnchor evolves 3 anchors per P output layer，为每一个特征输出层自动生成3个锚框
# 原始：
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
  
# 添加新的anchors:
anchors:
  - [ 10,13, 16,30, 33,23 ]  # P2/4
  - [ 30,61, 62,45, 59,119 ]  # P3/8
  - [ 116,90, 156,198, 373,326 ]  # P4/16
  - [ 436,615,  739,380,  925,792 ]  # P5/32

9、参考文章

  1. 万字长文！YOLO算法模型yaml文件史上最详细解析与教程！小白也能看懂！掌握了这个就掌握了魔改YOLO的核心！
  2. YOLOv8/YOLOv7/YOLOv5系列算法改进【NO.6】增加小目标检测层，提高对小目标的检测效果

10、目标检测系列文章

  1. YOLOv5s网络模型讲解(一看就会)
  2. 生活垃圾数据集（YOLO版）
  3. YOLOv5如何训练自己的数据集
  4. 双向控制舵机（树莓派版）
  5. 树莓派部署YOLOv5目标检测（详细篇）
  6. YOLO_Tracking 实践 （环境搭建 & 案例测试）
  7. 目标检测：数据集划分 & XML数据集转YOLO标签
  8. DeepSort行人车辆识别系统（实现目标检测+跟踪+统计）
  9. YOLOv5改进（一）–轻量化YOLOv5s模型
wisdom_zhe
关注
  • 39
    点赞
  • 踩
  • 67
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
专栏目录
YOLOv5 Small的改进和增强基于多模块目标识别优化|YOLOv5手机划痕检测，精度和召回率分别为 80.406% 和 76%|深⼊研究并改进了YOLOv5s模型在小目标检测任务上的局限性
sybh的博客
05-31 712
在当今的⼯业⽣产和⽇常⽣活中，⼩⽬标识别发挥着越来 越重要的作⽤。在⼯业⽣产中，⽆论是微⼩缺陷的检测，还 是⾼速⽣产线上零件的精确定位，⼩⽬标的准确识别是提⾼ ⽣产效率和产品质量的关键。例如，在半导体制造中，早期 检测微⽶甚⾄纳⽶级别的缺陷可以显着降低⽣产成本。在⽇ 常⽣活中，⼩⽬标识别⽆处不在，从医学图像中的细胞检测 到在安全监控中跟踪⼩型⽆⼈机。⼩⽬标识别的研究引起了学术 界的⼴泛关注。传统⽅法主要基于特征⼯程和⼿⼯设计的算法 [1-2]。
YOLOv5 提升小目标识别能力 解决VisDrone2019数据集
weixin_42001184的博客
09-16 3666
YOLOv5增加一些tricks技巧去提升它的小目标检测能力，进而在VisDrone无人机拍摄的这个数据集上达到更好的效果
yolov5s增加小目标检测层，同时删除大目标的检测层，适用于全是小目标的数据集
weixin_56828987的博客
03-16 1762
如果你的数据集是只有小目标的，比如wideface这些公开数据集，目标大小普遍在8x8及以下，而YOLOV5中，P5对应的检测特征图大小为20X20，用于检测大小在32X32以上的目标，这一层就显得多余了，不仅不会带来精度的提升，反而增加了计算量和推理速度。下图是原来的四层结构。可以看到我们的模型检测出了yolov5s漏检的许多目标，对密集的小目标场景更加友好，且保留了三层检测层结构，不会带来计算量和推理速度的增加。
YOLOv5-7.0添加小目标检测层
heromps的博客
07-31 2527
作为当前先进的深度学习目标检测算法YOLOv5，已经集合了大量的trick，但是在处理一些复杂背景问题的时候，还是容易出现错漏检的问题。而YOLOv5小目标检测效果不好的一个原因是因为小目标样本的尺寸较小，而yolov5的下采样倍数比较大，较深的特征图很难学习到小目标的特征信息，因此提出增加小目标检测层对较浅特征图与深特征图拼接后进行检测。通过加入小目标检测层，可以让网络关注小目标的检测，提高检测效果。
目标检测-小目标检测技巧
pangxing6491的博客
03-15 7458
目前阶段，目标检测对小目标的检测效果还不尽如人意，例如yolov5经过FPN后有三种输出尺寸，19*19， 38*38， 76*76，最大的76*76负责检测小目标,而对应到608*608上，每格特征图的感受野是608/76=8*8大,图中小目标小于8*8大小就容易检测不到；针对这种情况，可用以下方法提高对小目标的检出； 1、目前的检测网络都包含FPN结构，可在FPN中增加一种尺度，例如，152*152,其检测小目标的结果会更好； 2、若是大分辨率图像小目标检测，例如，原图为7680*2...
yolov5 检测超小目标和部署RKNN
weixin_45520043的博客
11-21 317
yolov5 小目标 rknn
Yolov5小目标性能提升方案介绍
06-29 4220
本文主要罗列Yolov5小目标性能提升方案，包括注意力机制、多头检测器、loss优化等；
图像处理实战02-yolov5目标检测
liaomin416100569的专栏
06-15 1万+
以下模型列的解释列名解释Model模型的名称输入图像的大小（以像素为单位）在验证集上的平均精确度（mean Average Precision），考虑所有IOU阈值从0.5到0.95的情况，准确率是%mAPval0.5在验证集上的平均精确度，只考虑IOU阈值为0.5的情况在CPU上使用batch size为1时的推理速度（以毫秒为单位）在NVIDIA V100 GPU上使用batch size为1时的推理速度（以毫秒为单位）
YOLOv5 小目标检测、无人机视角小目标检测
热门推荐
liguiyuan的博客
12-07 5万+
YOLOv5 训练自己的小目标检测
YOLOv5小目标切图检测
恐龙先生的博客
12-15 4371
对较大分辨率进行切块检测，提高对小目标的精度
yolov5-6.0网络添加小目标检测头 TensorRT部署
niuyuanye的博客
01-13 5528
yolov5-6.0网络添加小目标检测头 TensorRT部署
基于 Gradio 的 YOLOv5 通用目标检测系统gradio-yolov5-det-master.zip
03-04
YOLOv5是一种高效、准确的目标检测模型，它在计算机视觉领域被广泛应用。Gradio则是一个交互式界面库，能够使机器学习模型变得易于测试和分享。本项目结合两者，构建了一个用户友好的通用目标检测系统，使得非技术...
改进YOLOv5-添加Bifpn
11-15
YOLOv5是一种高效的目标检测框架，以其快速的检测速度和优秀的性能而受到广泛关注。在YOLOv5的7.0版本中，我们可以通过添加BIFPN（Bi-directional Feature Pyramid Network）模块来进一步提升其性能。BIFPN旨在通过...
旋转目标检测-基于YOLOv5实现的旋转目标检测算法-优质项目实战.zip
最新发布
03-29
2. 网络结构调整：YOLOv5的基本架构可能被修改，以适应旋转目标检测的需求，例如在检测头部分添加角度预测分支。 3. 训练过程：使用带有旋转标签的训练集，通过反向传播优化网络权重，使得模型能够准确预测目标的...
YOLOv5安全帽检测训练权重和代码yolov5-master-6.0-person_hat.zip
03-01
YOLOv5是一种基于深度学习的目标检测框架，全称为"You Only Look Once"的第五代版本。这个框架在实时目标检测领域表现出色，以其快速、准确和易于使用的特点受到广泛欢迎。在给定的压缩包“YOLOv5安全帽检测训练权重...
利用YOLOv5提高拥挤场景中的目标检测性能.docx
05-22
综上所述，本文深入研究了YOLOv5目标检测算法，针对拥挤场景的特殊挑战提出了针对性的改进措施，通过实验验证了这些措施的有效性。这项工作不仅为拥挤场景的目标检测提供了理论支持，也为相关领域的研究提供了有价值...
YOLOv5超详细的入门级教程（思考篇）（一）——关于遮挡问题与小目标检测问题
“知识最大的敌人不是无知，而是错觉”
06-15 1万+
一些拙见，欢迎大家在评论区指出问题，交流讨论。 1. Introduction 还是这张老图，16年到18年CVPR和ICCV的高频词词云。从2012年进入深度学习时代开始，目标检测、图像分割这样的视觉基本任务到现在已经火了有10年已久了（如果算上传统图像处理的方法，那么目标检测到现在已经被集中攻克22年了）。 最新出炉的18篇CVPR2021oral，里面值得注意的一点就是3D目标检测的研究。比如3D场景理解、3D中摄像机重定位、3D分割与运动估计、单目3D目标检测、3D点云注册和检测、3D物体渲染.
yoloV5 增加小目标检测层
m0_64298393的博客
05-29 8797
原始网络有三个检测头： 分别是 80x80 （小目标） 40x40（中目标） 160x160(小目标)，现在要增加小目标检测层，就可以在80 x 80 的上一步，也就是 160 x 160 尺寸增加为了检测160 x 160的检测头，因此需将backbon中160 与NECK中的 160 相加（残差网络），但原始网络中 NECK没有60 x 160的特征图，但可以对 80x80的特征图再进行一次上采样，得到160x160的特征图，并于backbon中60x160的特征图连接即可得到下图的网络图。
yolov5添加小目标检测头
05-01
随着计算机视觉技术的不断进步，人们的目标检测需求也愈来愈高，而yolov5作为一种先进的目标检测算法，一直在不断的优化和改进，现在他又添加了小目标检测头。那么什么是小目标检测头呢？ 小目标检测头是yolov5新添加的一种特殊检测头，其主要针对大量小目标的检测需求，因为在实际应用中，很多的目标是比较小的，而传统的yolov5模型往往无法很好地检测到这些小目标，这就要求我们对原有模型进行改进。小目标检测头就是为了应对这些小目标而产生的。 具体来说，小目标检测头采用了不同的处理方法，其特点是利用高精度的肝因子进行调整，从而提高了检测小目标的准确率。同时，为了更好的适应小目标，小目标检测头还采用了多层级预测方式，将不同层级的特征图结合在一起，对小目标进行多层次预测，从而提高了检测的效果。 总结起来，小目标检测头的添加，不仅提高了yolov5模型的检测能力，也使得其适应更加广泛的实际应用环境，为目标检测技术的进一步发展打下了坚实的基础。
评论 7
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