Yolov5

目录

yolov5内置参数解释

机器视觉应用层补充

---

yolov5内置参数解释

在进行整体的学习之前，有必要将其中的参数和部分库进行搜索和学习,在我的学习过程中搜录了以下内容

yolov5

说到yolov5的图像处理，就绕不开神经网络卷积处理的Feature Map (特征图）表征的是神经空间内一种特征；其分辨率大小取决于先前卷积核的步长 。 层与层之间会有若干个卷积核（kernel），上一层中的每个feature map跟每个卷积核做卷积，对应产生下一层的一个feature map。 feature map的含义在计算机视觉领域基本一致，可以简单译成特征图，例如RGB图像，所有像素点的R可以认为一个feature map（这个概念与在CNN里面概念是一致的）

卷积：卷积也可以形式化地描述，事实上，它就是一种数学运算，跟减加乘除没有本质的区别。虽然这种运算本身很复杂，但它非常有助于简化更复杂的表达式。在物理和工程上，卷积被广泛地用于化简等式——等会儿简单地形式化描述卷积之后——我们将把这些领域的思想和深度学习联系起来，以加深对卷积的理解。但现在我们先从实用的角度理解卷积:卷积就是一种对图形的处理方式。

对比起之前的版本yolov4，v3等，yolov5的网络结构有一定的变化，但是有一个很显著的特点就是：小目标检测效果好（Yolov5的目标检测网络有s,m,l,x四个版本)其大小，深度还有feature map的参数都不同（github上搜索yolov5第一个开源项目底下有四个版本的性能对比）

：先对其中会出现的一些名词进行解释：

1.backbone：翻译为主干网络的意思，既然说是主干网络，就代表其是网络的一部分，这个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，共后面的网络使用。这些网络经常使用的是resnet VGG等，而不是我们自己设计的网络，因为这些网络已经证明了在分类等问题上的特征提取能力是很强的。在用这些网络作为backbone的时候，都是直接加载官方已经训练好的模型参数，后面接着我们自己的网络。让网络的这两个部分同时进行训练，因为加载的backbone模型已经具有提取特征的能力了，在我们的训练过程中，会对他进行微调，使得其更适合于我们自己的任务。