YOLOV5改进
文章平均质量分 72
森爱。
一个误入计算机视觉的测绘工程专业的呆子,平时学习训练一些深度学习的一些模型、算法、相关知识,论文是基于YOLOV8改进,重点是这个方向,基本上都是自己训练的过程,如果对您的学习有帮助,那真是太荣幸了!
注:好想要毕业啊,好想工作,好想生活,好想洋洋,好想经常陪在父母身边,好想打球,好想讲一讲许久没见的老友,好想把酒话桑麻,好想时间过得快点,让我顺利毕业,好想时间过的慢点,让我好好的活出自己来。
展开
-
YOLOV5改进-loss-Optimal Transport Assignment(OTA)
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。原创 2023-05-22 21:56:05 · 1547 阅读 · 0 评论 -
YOLOV5改进-增加小目标的检测层,K-means聚类生成框
YOLOv5对于小目标检测效果不佳的原因之一是小目标样本尺寸较小,YOLOv5的下采样乘数较大。较深的特征图使得学习小目标的特征变得困难,因此本文提出添加小目标检测层来检测较浅的特征图。具体流程如图5所示。YOLOv5原本只对最后三个C3层进行特征预测,但由于小目标在连续下采样的过程中丢失了特征信息,导致小目标检测效果不理想。因此,我们添加了一层特征预测。新增的预测层下采样次数更少,小目标分辨率更高,有助于模型学习小目标的特征。原创 2023-08-09 14:49:37 · 3848 阅读 · 15 评论 -
YOLOV5改进-Focal-EIoU
回归通过确定(梯度信号)损失函数减小的方向,梯度是损失函数关于参数的导数,它表示了损失函数在参数空间中的变化率。损失函数是描述模型预测结果与真实标签(ground truth)之间的关系。通过计算损失函数对参数的梯度,我们可以确定梯度的方向,并沿着负梯度方向更新参数,使得损失函数逐步减小。回归loss主要有两种loss函数,ln-norm函数和IoU-based函数IoU-based函数中的四个loss。原创 2023-08-09 10:54:44 · 1789 阅读 · 0 评论