YOLOv7 tiny 新增小目标检测层

最新推荐文章于 2024-05-29 17:36:32 发布
最新推荐文章于 2024-05-29 17:36:32 发布
阅读量3.1k 收藏 51
点赞数 6
文章标签： YOLO 目标检测 数学建模 python
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_44464101/article/details/130929763
版权

YOLOv7 tiny 新增小目标检测层

YOLOv7 tiny 新增小目标检测层

根据已有的结构进行新增小目标层，，个人理解，仅供参考！！！

修改yolov7-tiny.yaml文件

（1）修改nc 自己数据集类别数；
（2）设置anchors 4 #自动调用autoanchor.py
（3）新增 ###模块
（4）修改[[92,93,94,95], 1, IDetect, [nc, anchors]], # Detect(P2,P3, P4, P5)

# parameters
nc: 5  # number of classes 
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple

# anchors
anchors: 4
  # - [10,13, 16,30, 33,23]  # P3/8
  # - [30,61, 62,45, 59,119]  # P4/16
  # - [116,90, 156,198, 373,326]  # P5/32

# yolov7-tiny backbone
backbone:
  # [from, number, module, args] c2, k=1, s=1, p=None, g=1, act=True
  [[-1, 1, Conv, [32, 3, 2, None, 1, nn.LeakyReLU(0.1)]],  # 0-P1/2  
  
   [-1, 1, Conv, [64, 3, 2, None, 1, nn.LeakyReLU(0.1)]],  # 1-P2/4    
   
   [-1, 1, Conv, [32, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [32, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [32, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [32, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 7
   
   [-1, 1, MP, []],  # 8-P3/8
   [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 14
   
   [-1, 1, MP, []],  # 15-P4/16
   [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [128, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [128, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 21
   
   [-1, 1, MP, []],  # 22-P5/32
   [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [256, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [256, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [512, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 28
  ]

# yolov7-tiny head
head:
  [[-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, SP, [5]],
   [-2, 1, SP, [9]],
   [-3, 1, SP, [13]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -7], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 37
  
   [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [21, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]], # route backbone P4
   [[-1, -2], 1, Concat, [1]],
   
   [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 47

   [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [14, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]], # route backbone P3
   [[-1, -2], 1, Concat, [1]],

  ##########################
  # ELAN
   [-1, 1, Conv, [32, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [32, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [32, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [32, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 57
  # end ELAN
  # CBL
      [-1, 1, Conv, [32, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
  #
  #UP
     [-1, 1, nn.Upsample, [None, 2, 'nearest']],
  #
  # backbone CBL
     [7, 1, Conv, [32, 1, 1, None, 1, nn.LeakyReLU(0.1)]], # route backbone P4 
  #
  #Concat
     [[-1, -2], 1, Concat, [1]],
  #

  #ELAN
   [-1, 1, Conv, [16, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [16, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [16, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [16, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [32, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 67  x-small head
  #
  #CBL 
   [-1, 1, Conv, [64, 3, 2, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, 57], 1, Concat, [1]], 
  #
  ###############################
   
   [-1, 1, Conv, [32, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [32, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [32, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [32, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 75  small head
   
   [-1, 1, Conv, [128, 3, 2, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, 47], 1, Concat, [1]],
   
   [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 83 middle head
   
   [-1, 1, Conv, [256, 3, 2, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, 37], 1, Concat, [1]],
   
   [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [128, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [128, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 91 large head
      
   [67, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [75, 1, Conv, [128, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [83, 1, Conv, [256, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [91, 1, Conv, [512, 3, 1, None, 1, nn.LeakyReLU(0.1)]],

   [[92,93,94,95], 1, IDetect, [nc, anchors]],   # Detect(P2,P3, P4, P5)
  ]

YOLOv7 tiny 结构图

在这里插入图片描述

调用 models/yolo.py验证

python models/yolo.py --cfg cfg\training\yolov7-tiny.yaml #修改过的yaml路径


YOLOR  2023-3-4 torch 1.12.1+cu113 CUDA:0 (NVIDIA RTX A4000, 16375.5MB)


                 from  n    params  module                                  arguments
  0                -1  1       928  models.common.Conv                      [3, 32, 3, 2, None, 1, LeakyReLU(negative_slope=0.1)]  
  1                -1  1     18560  models.common.Conv                      [32, 64, 3, 2, None, 1, LeakyReLU(negative_slope=0.1)] 
  2                -1  1      2112  models.common.Conv                      [64, 32, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)] 
  3                -2  1      2112  models.common.Conv                      [64, 32, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)] 
  4                -1  1      9280  models.common.Conv                      [32, 32, 3, 1, None, 1, LeakyReLU(negative_slope=0.1)] 
  5                -1  1      9280  models.common.Conv                      [32, 32, 3, 1, None, 1, LeakyReLU(negative_slope=0.1)] 
  6  [-1, -2, -3, -4]  1         0  models.common.Concat                    [1]
  7                -1  1      8320  models.common.Conv                      [128, 64, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
  8                -1  1         0  models.common.MP                        []
  9                -1  1      4224  models.common.Conv                      [64, 64, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)] 
 10                -2  1      4224  models.common.Conv                      [64, 64, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)] 
 11                -1  1     36992  models.common.Conv                      [64, 64, 3, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 12                -1  1     36992  models.common.Conv                      [64, 64, 3, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 13  [-1, -2, -3, -4]  1         0  models.common.Concat                    [1]
 14                -1  1     33024  models.common.Conv                      [256, 128, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 15                -1  1         0  models.common.MP                        []
 16                -1  1     16640  models.common.Conv                      [128, 128, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 17                -2  1     16640  models.common.Conv                      [128, 128, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 18                -1  1    147712  models.common.Conv                      [128, 128, 3, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 19                -1  1    147712  models.common.Conv                      [128, 128, 3, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 20  [-1, -2, -3, -4]  1         0  models.common.Concat                    [1]
 21                -1  1    131584  models.common.Conv                      [512, 256, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 22                -1  1         0  models.common.MP                        []
 23                -1  1     66048  models.common.Conv                      [256, 256, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 24                -2  1     66048  models.common.Conv                      [256, 256, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 25                -1  1    590336  models.common.Conv                      [256, 256, 3, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 26                -1  1    590336  models.common.Conv                      [256, 256, 3, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 27  [-1, -2, -3, -4]  1         0  models.common.Concat                    [1]
 28                -1  1    525312  models.common.Conv                      [1024, 512, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 29                -1  1    131584  models.common.Conv                      [512, 256, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 30                -2  1    131584  models.common.Conv                      [512, 256, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 31                -1  1         0  models.common.SP                        [5]
 32                -2  1         0  models.common.SP                        [9]
 33                -3  1         0  models.common.SP                        [13]
 34  [-1, -2, -3, -4]  1         0  models.common.Concat                    [1]
 35                -1  1    262656  models.common.Conv                      [1024, 256, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 36          [-1, -7]  1         0  models.common.Concat                    [1]
 37                -1  1    131584  models.common.Conv                      [512, 256, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 38                -1  1     33024  models.common.Conv                      [256, 128, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 39                -1  1         0  torch.nn.modules.upsampling.Upsample    [None, 2, 'nearest']
 40                21  1     33024  models.common.Conv                      [256, 128, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 41          [-1, -2]  1         0  models.common.Concat                    [1]
 42                -1  1     16512  models.common.Conv                      [256, 64, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 43                -2  1     16512  models.common.Conv                      [256, 64, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 44                -1  1     36992  models.common.Conv                      [64, 64, 3, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 45                -1  1     36992  models.common.Conv                      [64, 64, 3, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 46  [-1, -2, -3, -4]  1         0  models.common.Concat                    [1]
 47                -1  1     33024  models.common.Conv                      [256, 128, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 48                -1  1      8320  models.common.Conv                      [128, 64, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 49                -1  1         0  torch.nn.modules.upsampling.Upsample    [None, 2, 'nearest']
 50                14  1      8320  models.common.Conv                      [128, 64, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 51          [-1, -2]  1         0  models.common.Concat                    [1]
 52                -1  1      4160  models.common.Conv                      [128, 32, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 53                -2  1      4160  models.common.Conv                      [128, 32, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 54                -1  1      9280  models.common.Conv                      [32, 32, 3, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 55                -1  1      9280  models.common.Conv                      [32, 32, 3, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 56  [-1, -2, -3, -4]  1         0  models.common.Concat                    [1]
 57                -1  1      8320  models.common.Conv                      [128, 64, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 58                -1  1      2112  models.common.Conv                      [64, 32, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 59                -1  1         0  torch.nn.modules.upsampling.Upsample    [None, 2, 'nearest']
 60                 7  1      2112  models.common.Conv                      [64, 32, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 61          [-1, -2]  1         0  models.common.Concat                    [1]
 62                -1  1      1056  models.common.Conv                      [64, 16, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 63                -2  1      1056  models.common.Conv                      [64, 16, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 64                -1  1      2336  models.common.Conv                      [16, 16, 3, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 65                -1  1      2336  models.common.Conv                      [16, 16, 3, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 66  [-1, -2, -3, -4]  1         0  models.common.Concat                    [1]
 67                -1  1      2112  models.common.Conv                      [64, 32, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 68                -1  1     18560  models.common.Conv                      [32, 64, 3, 2, None, 1, LeakyReLU(negative_slope=0.1)]
 69          [-1, 57]  1         0  models.common.Concat                    [1]
 70                -1  1      4160  models.common.Conv                      [128, 32, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 71                -2  1      4160  models.common.Conv                      [128, 32, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 72                -1  1      9280  models.common.Conv                      [32, 32, 3, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 73                -1  1      9280  models.common.Conv                      [32, 32, 3, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 74  [-1, -2, -3, -4]  1         0  models.common.Concat                    [1]
 75                -1  1      8320  models.common.Conv                      [128, 64, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 76                -1  1     73984  models.common.Conv                      [64, 128, 3, 2, None, 1, LeakyReLU(negative_slope=0.1)]
 77          [-1, 47]  1         0  models.common.Concat                    [1]
 78                -1  1     16512  models.common.Conv                      [256, 64, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 79                -2  1     16512  models.common.Conv                      [256, 64, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 80                -1  1     36992  models.common.Conv                      [64, 64, 3, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 81                -1  1     36992  models.common.Conv                      [64, 64, 3, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 82  [-1, -2, -3, -4]  1         0  models.common.Concat                    [1]
 83                -1  1     33024  models.common.Conv                      [256, 128, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 84                -1  1    295424  models.common.Conv                      [128, 256, 3, 2, None, 1, LeakyReLU(negative_slope=0.1)]
 85          [-1, 37]  1         0  models.common.Concat                    [1]
 86                -1  1     65792  models.common.Conv                      [512, 128, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 87                -2  1     65792  models.common.Conv                      [512, 128, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 88                -1  1    147712  models.common.Conv                      [128, 128, 3, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 89                -1  1    147712  models.common.Conv                      [128, 128, 3, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 90  [-1, -2, -3, -4]  1         0  models.common.Concat                    [1]
 91                -1  1    131584  models.common.Conv                      [512, 256, 1, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 92                67  1     18560  models.common.Conv                      [32, 64, 3, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 93                75  1     73984  models.common.Conv                      [64, 128, 3, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 94                83  1    295424  models.common.Conv                      [128, 256, 3, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 95                91  1   1180672  models.common.Conv                      [256, 512, 3, 1, None, 1, LeakyReLU(negative_slope=0.1)]
 96  [92, 93, 94, 95]  1     39680  IDetect                                 [5, [[0, 1, 2, 3, 4, 5, 6, 7], [0, 1, 2, 3, 4, 5, 6, 7], [0, 1, 2, 3, 4, 5, 6, 7], [0, 1, 2, 3, 4, 5, 6, 7]], [64, 128, 256, 512]]      
D:\Anaconda3\envs\yolov8\lib\site-packages\torch\functional.py:478: UserWarning: torch.meshgrid: in an upcoming release, it will be required to pass the indexing argument. (Triggered internally at  C:\actions-runner\_work\pytorch\pytorch\builder\windows\pytorch\aten\src\ATen\native\TensorShape.cpp:2895.)
  return _VF.meshgrid(tensors, **kwargs)  # type: ignore[attr-defined]
Model Summary: 327 layers, 6122976 parameters, 6122976 gradients, 15.6 GFLOPS
淸圆风
关注
  • 6
    点赞
  • 踩
  • 51
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
涨点神器：Yolov5/Yolov7加入ConvNeXt提升小目标检测能力，适用yolo各个系列
03-15 2426
1）涨点神器：Yolov5 加入ConvNeXt提升小目标检测能力，适用yolo各个系列 2）ConvNeXt+ODConv结合，博主在不同数据集下进行验证，强烈推荐使用，涨点明显
目标检测算法——YOLOv7改进|增加小目标检测层
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
11-02 1万+
目标检测算法——YOLOv7改进|增加小目标检测层。官方版的YOLOv7相同体量下比YOLOv5精度更高，速度快120%（FPS），比 YOLOX 快180%（FPS），比 Dual-Swin-T 快1200%（FPS），比 ConvNext 快550%（FPS），比 SWIN-L快500%（FPS）。
目标检测：yolov7训练自己的数据集，新手小白也能学会训练模型，一看就会
最新发布
qq_67105081的博客
05-29 1563
训练自己的数据集分为4部分，先配置环境，再获取制作自己的数据集，然后修改配置训练，最后验证训练结果，可选择将结果进行可视化界面展示。yolov7训练起来较为简单，跟yolov5相差不多，只需要多加一步将数据集所有的图片导入文本之中。如果有其他目标检测的数据集理论上可以直接拿来用，从第3训练模型开始看，新手小白0基础建议一步一步跟着来，哪里看不懂的或者遇到哪有问题可以评论区交流或者私信问~
YOLOv7增加小目标检测层
qq_43409396的博客
12-01 507
YOLOv7增加小目标检测层
跑通官方的yolov7-tiny实验记录（yolov7-tiny可作为yolov5s的对比实验网络）
热门推荐
孟孟单单的博客
11-16 2万+
跑通官方的yolov7-tiny实验记录（yolov7-tiny可作为yolov5s的对比实验网络）
013 基于YOLOv7-Tiny的目标检测系统
2201_75291175的博客
06-10 1198
常用包括车辆、行人、飞机、轮船、猫、狗、马、鸟、羊、自行车、瓶、椅子、火车、沙发、餐桌、电视机、盆栽植物等几十个类别进行检测和识别。）加载摄像头进行检测：可以选择摄像头进行目标检测，系统将检测和识别后的结果标注在图像流上并在界面上自动展示。）加载图像进行检测：可以选择图像进行目标检测，系统将检测和识别后的结果标注在图像上并在界面上自动展示。）加载视频进行检测：可以选择视频进行目标检测，系统将检测和识别后的结果标注在视频上并在界面上自动展示。界面的背景、按钮等，界面的操作和相关的代码都有详细的注释。
基于YOLOv7开发构建红外高空小目标检测识别分析系统
Together_CZ的博客
06-02 765
基于YOLOv7开发构建红外高空小目标检测识别分析系统 关注公众号【PythonAI之路】或者加入星球【AZX_cx】继续沟通交流
YOLOv7-tiny改进SPDConv，用于图像处理中低分辨率图像和小对象难以检测的问题，参数量7.39M，计算量18.6GFLOPs（YOLO其他系列均可参考本文改进方式）
孟孟单单的博客
12-12 2974
蓝色括号里面带了os的，是我自己的内心所想，仅供参考最后面有一些疑问，欢迎各位大佬解答解决问题：用于图像处理中低分辨率图像和小对象难以检测的问题在本文中，我们指出，这根源于现有CNN架构中存在的一个有缺陷但常见的设计，即使用strided convolution或pooling layers，这导致细粒度信息的丢失和不够有效的特征表示的学习。为此，我们提出了一个新的CNN构建快， 称为SPD-Conv取代每个strided convolution层和每个pool层（因为完全消除他们）。
涨点神器：Yolov5/Yolov7 加入ODConv提升小目标检测能力，适用yolo各个系列
03-15 3471
涨点神器结合，助力YOLO：ICLR 2022涨点神器——即插即用的动态卷积ODConv 论文：Omni-Dimensional Dynamic Convolution
yolov7-tiny.weights和yolov7-tiny.conv.87预训练模型文件下载
08-06
YOLOv7-Tiny是YOLO（You Only Look Once）系列目标检测算法的一个轻量级变体，由Alexey Bochkovskiy等开发者在Darknet框架下设计。这个算法在保持高效的同时，具备较高的目标检测精度。在给定的压缩包中，包含了两个...
基于KLD损失结合yolov7-tiny的旋转目标检测系统源码+详细使用说明+模型.zip
10-11
基于KLD损失结合yolov7-tiny的旋转目标检测系统源码+详细使用说明+模型.zip 目标检测模型 | 路径 | ## 性能情况 | 训练数据集 | 权值文件名称 | 测试数据集 | 输入图片大小 | mAP 0.5 | fps | | :-----: | :------:...
算法部署-使用NCNN在Android平台部署Yolov4-tiny目标检测算法-优质算法部署项目实战.zip
03-12
在本项目中，我们将深入探讨如何在Android平台上部署Yolov4-tiny目标检测算法，利用NCNN这一高效的计算库实现高效、实时的目标检测。这是一个高质量的算法部署实战项目，旨在帮助开发者掌握将深度学习模型移植到移动...
yolov7旋转目标检测完整代码
05-13
"yolov7旋转目标检测完整代码" 指的是这是一个完整的、专用于执行旋转目标检测的代码实现，基于YOLOv7框架。YOLO（You Only Look Once）是一种实时的物体检测算法，而YOLOv7是其最新版本，对旋转物体的检测进行了...
darknet训练yolov7-tiny(AlexeyAB版本)
07-18
继美团yolov6发布不久，v4作者重新操刀，最新目标检测出道。 因darknet框架下的模型训练，相对pytorch框架训练成本低，且作者也提供了darknet框架下的配置文件和预训练模型，本人也在评估darknet框架下的v7-tiny模型...
YOLOv7改进Transformer检测头系列：首发最新结合Transformer结构新增检测层，让YOLO目标检测任务中的目标无处遁形
包括YOLOv5、YOLOv7、YOLOv8等模型改进
10-25 1万+
YOLOv7新增Transformer小目标检测层(Swin、SwinV2、BotNet、Transformer等)，包含多种X-Transformer小目标检测网络设计，通过探索不同Self-Attention的预测潜力 新增X-Transformer 结构检测层。`让YOLO目标检测任务中的小目标无处遁形`，打造高性能、轻量级检测器。
助力森林火情预警检测，基于YOLOv7-tiny、YOLOv7和YOLOv7x开发构建无人机航拍场景下的森林火情检测是别预警系统
Together_CZ的博客
10-16 583
助力森林火情预警检测，基于YOLOv7-tiny、YOLOv7和YOLOv7x开发构建无人机航拍场景下的森林火情检测是别预警系统
yolov7-tiny结合mobilenetV3（降参提速）
yjcccccc的博客
12-29 5256
在各处看到关于yolo的魔改都是基于yolov5版本的，于是借鉴学习一下用在yolov7-tiny版本上，做一下学习记录；同时感谢一下各位大佬对开源做出的贡献！
yolov5/7 anchors设置详解
weixin_61623830的博客
11-09 2224
yolov5 中不是只使用默认锚定框，在开始训练之前会对数据集中标注信息进行核查，计算此数据集标注信息针对默认锚定框的最佳召回率，当最佳召回率大于或等于0.98，则不需要更新锚定框；如果最佳召回率小于0.98，则需要重新计算符合此数据集的锚定框。其中 thr 是指 数据集中标注框宽高比最大阈值，默认是使用 超参文件 hyp.scratch.yaml 中的 “anchor_t” 参数值。
YOLOv7 训练前手动计算锚定框
weixin_44729212的博客
08-10 2168
使用utils/autoanchor.py生成自己数据集匹配的锚框。
yolov4tiny目标检测
08-31
YOLOv4-tiny目标检测是一种基于深度学习算法的图像识别技术。它是YOLOv4的精简版，参数只有原模型的十分之一，因此更加轻量化。相较于传统的图像分类算法，YOLOv4-tiny可以实现对图像中目标的分类和定位，因此在实际应用中更加贴近需求，如行人检测、口罩检测等。 如果你想学习YOLOv4-tiny目标检测，可以参考《YOLOv4-tiny目标检测实战：训练自己的数据集》这本书，其中详细介绍了YOLOv4-tiny的实战教程和训练自己的数据集的方法。该书指导你如何使用YOLOv4-tiny进行目标检测，并提供了一些性能指标和参考结果。 在使用YOLOv4-tiny进行目标检测时，你可以使用指令"./darknet detect cfg/yolov4-tiny.cfg yolov4-tiny.weights data/dog.jpg"来进行检测，其中"cfg/yolov4-tiny.cfg"是YOLOv4-tiny的配置文件，"yolov4-tiny.weights"是训练好的权重文件，"data/dog.jpg"是需要进行检测的图像文件。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [Windows版YOLOv4-tiny目标检测实战：训练自己的数据集](https://download.csdn.net/download/weixin_26843605/19766019)[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^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] - *2* [基于FPGA的Yolov4 tiny目标检测网络加速器](https://blog.csdn.net/qq_40268672/article/details/123164466)[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^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] - *3* [Jetson Nano使用YOLOv4-Tiny进行目标检测](https://blog.csdn.net/qq_45867442/article/details/117461319)[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^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] [ .reference_list ]

“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 3
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