![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
Object Detection
文章平均质量分 78
mingo_敏
这个作者很懒,什么都没留下…
展开
-
深度学习论文: YOLOv5, YOLOv8 and YOLOv10: The Go-To Detectors for Real-time Vision
本文全面回顾了 YOLO(You Only Look Once)目标检测算法的演进,重点关注了 YOLOv5、YOLOv8 和 YOLOv10。我们分析了这些版本在架构进步、性能提升以及边缘部署适用性方面的情况。YOLOv5 引入了 CSPDarknet 主干和马赛克增强等重大创新,平衡了速度和准确性。YOLOv8 在此基础上通过增强特征提取和无锚点检测,提高了通用性和性能。YOLOv10 通过无NMS训练、空间-通道解耦下采样和大核心卷积等特性,实现了跨越式进步,达到了最先进的性能,同时减少了计算开销。原创 2024-07-12 11:20:59 · 1277 阅读 · 0 评论 -
深度学习论文: YOLOv10: Real-Time End-to-End Object Detection
YOLO在实时物体检测领域因计算成本与检测性能的平衡而领先。尽管研究人员在架构、优化目标和数据增强方面取得显著进展,但YOLO对NMS的依赖影响了其端到端部署和推理速度。此外,YOLO组件设计的不足导致计算冗余和性能限制。为此,YOLOv10专注于后处理和模型架构,提出了无NMS训练的一致对偶分配方法,实现高性能和低延迟。同时,YOLOv10采用效率-准确度驱动的策略,全面优化YOLO组件,降低计算成本并提高性能。原创 2024-05-27 14:47:36 · 967 阅读 · 2 评论 -
深度学习论文: YOLC: You Only Look Clusters for Tiny Object Detection in Aerial Images及其PyTorch实现
为了应对大规模图像和物体分布不均带来的挑战,提出的YOLC框架,建立在Anchor-Free点目标检测器CenterNet的基础之上。在YOLC中,局部尺度模块(LSM)发挥了关键作用,它能够自适应地搜索并放大聚类区域,从而显著提升检测精度。此外,还引入了高斯Wasserstein距离(GWD)来优化回归损失,确保生成的边界框质量更高。在检测Head部分,YOLC巧妙地结合了可变形卷积与细化方法,进一步增强了小物体的检测能力。这些创新举措共同使得YOLC在航拍图像的目标检测任务中表现出色。原创 2024-04-24 16:41:43 · 1061 阅读 · 2 评论 -
深度学习论文: GhostNetV3:Exploring the TrainingStrategies for Compact Models及其PyTorch实现
本文深入研究了多种训练策略,旨在提升现有紧凑型模型的性能。这些技术涵盖了重新参数化、知识蒸馏、数据增强以及学习计划调整等方面,而无需在推断阶段对模型架构进行任何修改。值得一提的是,本文训练的GhostNetV3模型在CPU和手机平台上均经过验证,成功实现了准确性与推断成本之间的最佳平衡。原创 2024-04-23 11:41:14 · 1024 阅读 · 0 评论 -
深度学习论文: YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information及其PyTorch实现
首先,YOLOv9引入了革命性的可编程梯度信息(Programmable Gradient Information, PGI)技术,这一创新理念致力于解决深层神经网络中信息丢失的难题。传统的目标检测网络在传递深层信息时,经常丢失对最终预测至关重要的细节。然而,YOLOv9借助PGI技术,确保了网络在学习过程中能够维持完整的输入信息,从而获取更加可靠和精确的梯度信息,极大地提升了权重更新的准确性。这一独特的设计显著提高了目标检测的准确率,为实现实时、高精度的目标检测提供了强有力的支持。原创 2024-03-01 17:25:35 · 771 阅读 · 0 评论 -
深度学习论文: Gold-YOLO: Efficient Object Detector via Gather-and-Distribute Mechanism及其PyTorch实现
在过去的几年中,YOLO系列模型已经成为实时目标检测领域的领先方法。许多研究通过修改架构、增加数据和设计新的损失函数,将基线推向了更高的水平。然而以前的模型仍然存在信息融合问题,尽管特征金字塔网络(FPN)和路径聚合网络(PANet)已经在一定程度上缓解了这个问题。因此,本研究提出了一种先进的聚集和分发机制(GD机制),该机制通过卷积和自注意力操作实现。这种新设计的模型被称为Gold-YOLO,它提升了多尺度特征融合能力,在所有模型尺度上实现了延迟和准确性的理想平衡。原创 2023-09-22 11:32:28 · 3479 阅读 · 0 评论 -
深度学习论文: PE-YOLO: Pyramid Enhancement Network for Dark Object Detection及其PyTorch实现
当前的目标检测模型在许多基准数据集上取得了良好的结果,但在暗条件下检测物体仍然是一个巨大的挑战。为了解决这个问题,我们提出了一个金字塔增强网络(PENet),并将其与YOLOv3结合起来构建一个名为PE-YOLO的暗物体检测框架。首先,PENet使用拉普拉斯金字塔将图像分解为四个不同分辨率的组件。具体来说,我们提出了一个细节处理模块(DPM)来增强图像的细节,它由上下文分支和边缘分支组成。此外,我们提出了一个低频增强滤波器(LEF)来捕捉低频语义并防止高频噪声。原创 2023-09-11 17:09:08 · 806 阅读 · 3 评论 -
深度学习论文: YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection
基于一系列对不同Kernel-Size卷积如何影响不同尺度上目标检测性能的研究,提出一个名为YOLO-MS的网络架构。作者在MS COCO数据集上从头开始训练YOLO-MS,而不依赖于任何其他大规模数据集,如ImageNet,或预训练权重。YOLO-MS在使用相同数量的参数和FLOPs的情况下,优于最近的最先进的实时目标检测器,包括YOLO-v7和RTMDet。从局部视角来看,设计的一个具有简单而有效的分层特征融合策略的MS-Block。原创 2023-08-17 11:39:40 · 617 阅读 · 0 评论 -
深度学习论文: FemtoDet: An Object Detection Baseline for Energy Versus Performance Tradeoffs及其PyTorch实现
深度学习论文: FemtoDet: An Object Detection Baseline for Energy Versus Performance Tradeoffs及其PyTorch实现FemtoDet: An Object Detection Baseline for Energy Versus Performance TradeoffsPDF: https://arxiv.org/pdf/2301.06719.pdfPyTorch代码: https://github.com/shangli原创 2023-07-21 09:54:17 · 497 阅读 · 0 评论 -
YOLOv5 vs YOLOv8
YOLOv5 N/S/M/L/X 骨干网络的通道数设置使用同一套缩放系数;YOLOv8 N/S/M/L/X 骨干网络的通道数设置不一样,使用不同的缩放系数。YOLOv7 网络设计也采用类似的方式作用于所有模型。原创 2023-06-20 12:00:13 · 6955 阅读 · 2 评论 -
深度学习论文: Task-Specific Context Decoupling for Object Detection及其PyTorch实现
目标检测还需要定位出图像中每个感兴趣目标所在的位置和类别信息,但是定位和分类两个子任务对特征上下文的偏好并不一致,其中,定位需要更多的边界感知特征来准确地回归边界框,而分类任务则需要更多的语义上下文信息。两者之间存在一种空间不对齐(spatial misalignment)的问题。通过实验,作者提出全连接头可能更适合分类任务,而卷积头则更适合定位任务,这是因为fc-head比conv-head具备更高的空间敏感性,具有更强的区分完整对象和部分对象的能力,但对于回归整个对象并不稳健。原创 2023-03-14 15:52:19 · 2058 阅读 · 2 评论 -
深度学习论文: EdgeYOLO: An Edge-Real-Time Object Detector及其PyTorch实现
EdgeYOLO是一种具有良好精度并且能够在边缘设备上实时运行的目标检测器。设计了一种Anchor-Free目标检测器,该检测器可以在MS COCO2017数据集中实时运行在边缘设备上,准确率为50.6%AP;提出了一种更强大的数据增强方法,进一步确保了训练数据的数量和有效性;模型中使用了可重参化的结构,以减少推理时间;设计了一个损失函数,以提高小目标的精度。原创 2023-02-23 14:37:04 · 1267 阅读 · 1 评论 -
深度学习论文: YOLOv6 v3.0: A Full-Scale Reloading及其PyTorch实现
通过扩展的骨干网络(Backbone)和颈部(Head)设计,YOLOv6 3.0 最终实时实现了 YOLO 家族的 SOTA。原创 2023-02-01 15:26:52 · 950 阅读 · 2 评论 -
深度学习论文: YOLOX-PAI: An Improved YOLOX, Stronger and Faster than YOLOv6及其PyTorch实现
针对YOLOX,加入诸多改进技巧的复现和探索,进一步提升了YOLOX的性能,在速度和精度上都比现阶段的40~50mAP 的SOTA的YOLOv6更胜一筹。原创 2022-09-23 10:38:09 · 456 阅读 · 0 评论 -
深度学习论文: YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications及其PyTorch实现
YOLOv6 支持检测模型训练、评估、预测以及模型量化、蒸馏等全链路开发流程,同时支持 GPU(TensorRT)、CPU(OPENVINO)、ARM(MNN、TNN、NCNN)等不同平台的部署,极大简化工程部署时的适配工作。原创 2022-09-21 20:06:01 · 1298 阅读 · 1 评论 -
深度学习论文: ObjectBox: From Centers to Boxes for Anchor-Free Object Detection及其PyTorch实现
ObjectBox仅使用目标中心位置作为正样本,并在不同的特征级别平等对待所有目标,而不管物体的大小或形状。将新的回归目标定义为从中心单元位置的2个角到边界框4个边的距离提出了一种定制的 IoU 损失来处理不同大小尺度变化的框。...原创 2022-08-02 19:07:13 · 715 阅读 · 3 评论 -
深度学习论文: YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for object detectors及其PyTorch实现
深度学习论文: YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors及其PyTorch实现YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectorsPDF: https://arxiv.org/pdf/2207.02696.pdfPyTorch代码: ht原创 2022-07-09 18:39:55 · 1292 阅读 · 0 评论 -
深度学习论文: CDNet: a real-time and robust crosswalk detection network on Jetson nano based on YOLOv5
深度学习论文: CDNet: a real-time and robust crosswalk detection network on Jetson nano based on YOLOv5CDNet: a real-time and robust crosswalk detection network on Jetson nano based on YOLOv5PDF: https://rdcu.be/cHuc8PyTorch代码: https://github.com/shanglianlm05原创 2022-03-14 08:51:54 · 1643 阅读 · 2 评论 -
深度学习论文: SFPN: Synthetic FPN for Object Detection及其PyTorch实现
深度学习论文: SFPN: Synthetic FPN for Object Detection及其PyTorch实现SFPN: Synthetic FPN for Object DetectionPDF: https://arxiv.org/pdf/2203.02445.pdfPyTorch代码: https://github.com/shanglianlm0525/CvPytorchPyTorch代码: https://github.com/shanglianlm0525/PyTorch-Net原创 2022-03-09 07:50:56 · 6220 阅读 · 5 评论 -
深度学习论文: Slicing Aided Hyper Inference and Fine-tuning for Small Object Detection及其PyTorch实现
深度学习论文: Slicing Aided Hyper Inference and Fine-tuning for Small Object Detection及其PyTorch实现Slicing Aided Hyper Inference and Fine-tuning for Small Object DetectionPDF: https://arxiv.org/pdf/2202.06934.pdfPyTorch代码: https://github.com/shanglianlm0525/CvP原创 2022-03-08 19:23:55 · 4980 阅读 · 6 评论 -
深度学习论文: GiraffeDet: A Heavy-Neck Paradigm for Object Detection及其PyTorch实现
深度学习论文: GiraffeDet: A Heavy-Neck Paradigm for Object Detection及其PyTorch实现GiraffeDet: A Heavy-Neck Paradigm for Object DetectionPDF: https://arxiv.org/pdf/2202.04256.pdfPyTorch代码: https://github.com/shanglianlm0525/CvPytorchPyTorch代码: https://github.com原创 2022-02-16 10:49:03 · 1587 阅读 · 2 评论 -
深度学习论文: Improved YOLOv5 network for real-time multi-scale trafficsign detection及其PyTorch实现
深度学习论文: Improved YOLOv5 network for real-time multi-scale trafficsign detection及其PyTorch实现Improved YOLOv5 network for real-time multi-scale trafficsign detectionPDF: https://arxiv.org/ftp/arxiv/papers/2112/2112.08782.pdfPyTorch代码: https://github.com/sha原创 2022-01-04 15:30:05 · 5717 阅读 · 4 评论 -
深度学习论文: YOLO-Z: Improving small object detection in YOLOv5 for autonomous vehicles及其PyTorch实现
深度学习论文: YOLO-Z: Improving small object detection in YOLOv5 for autonomous vehicles及其PyTorch实现YOLO-Z: Improving small object detection in YOLOv5 for autonomous vehiclesPDF: https://arxiv.org/pdf/2112.11798.pdfPyTorch代码: https://github.com/shanglianlm0525原创 2022-01-04 14:17:11 · 5510 阅读 · 7 评论 -
深度学习论文: Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions及其PyTorch实现
深度学习论文: Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions及其PyTorch实现Image-Adaptive YOLO for Object Detection in Adverse Weather ConditionsPDF: https://arxiv.org/pdf/2112.08088.pdfPyTorch代码: https://github.com/shanglianlm0525/CvPytor原创 2021-12-18 14:18:39 · 7347 阅读 · 40 评论 -
深度学习论文: Remote Sensing Image Object Detection Based on Angle Classification
深度学习论文: Remote Sensing Image Object Detection Based on Angle Classification及其PyTorch实现Remote Sensing Image Object Detection Based on Angle ClassificationPDF: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9521517PyTorch代码: https://github.c原创 2021-11-10 13:35:49 · 2385 阅读 · 1 评论 -
深度学习论文: YOLO-ReT: Towards High Accuracy Real-time Object Detection on Edge GPUs及其PyTorch实现
深度学习论文: YOLO-ReT: Towards High Accuracy Real-time Object Detection on Edge GPUs及其PyTorch实现YOLO-ReT: Towards High Accuracy Real-time Object Detection on Edge GPUsPDF: https://arxiv.org/pdf/2110.13713.pdfPyTorch代码: https://github.com/shanglianlm0525/CvPyt原创 2021-11-08 14:31:45 · 400 阅读 · 0 评论 -
yolov5修改non_max_suppression支持多个置信度过滤
如题原始的non_max_suppressiondef non_max_suppression(prediction, conf_thres=0.25, iou_thres=0.45, classes=None, agnostic=False, multi_label=False, labels=()): """Runs Non-Maximum Suppression (NMS) on inference results Returns:原创 2021-10-29 14:54:15 · 3564 阅读 · 7 评论 -
深度学习论文: TPH-YOLOv5: Improved YOLOv5 Based on Transformer Prediction Head 及其PyTorch实现
深度学习论文: TPH-YOLOv5: Improved YOLOv5 Based on Transformer Prediction Head for Object Detection on Drone-captured Scenarios及其PyTorch实现TPH-YOLOv5: Improved YOLOv5 Based on Transformer Prediction Head for Object Detection on Drone-captured ScenariosPDF: http原创 2021-09-14 10:29:04 · 4409 阅读 · 0 评论 -
深度学习论文: You Only Look at Once for Panoptic driving Perception及其PyTorch实现
深度学习论文: You Only Look at Once for Panoptic driving Perception及其PyTorch实现You Only Look at Once for Panoptic driving PerceptionPDF: https://arxiv.org/pdf/2108.11250.pdf1 概述2 Architecture2-1 EncoderBackbone:Neck:2-2 DecodersDetect HeadDrivable Are原创 2021-09-02 14:59:03 · 381 阅读 · 0 评论 -
yolov5检测限定长宽比检测范围的目标
正常环境下,我们所使用的数据中,不同类别的目标尺寸范围都有一定的范围,在工业缺陷检测领域尤其如此,因此我们修改yolov5使其能针对特定目标只输出特定区域的目标。如: A目标长宽比大于10小于20, B目标长宽比大于20小于40等修改如下:train.pyparser.add_argument('--ar_thr', nargs='+', type=int, default=[101,130,46,12,17], help='ar_thr of dataset to be used')datas原创 2021-08-27 14:20:48 · 2950 阅读 · 1 评论 -
yolov5中修改fitness
代码位置: utils\metrics\fitness.pyyolov5默认是在coco上训练的,因此mAP@0.5:0.95权重占比较大def fitness(x): # Model fitness as a weighted combination of metrics w = [0.0, 0.0, 0.1, 0.9] # weights for [P, R, mAP@0.5, mAP@0.5:0.95] return (x[:, :4] * w).sum(1)但是实际原创 2021-06-23 14:54:17 · 1591 阅读 · 2 评论 -
目标检测中的Classificition Loss
Classificition LossPyTorch: https://github.com/shanglianlm0525/CvPytorch目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。本文介绍目标检测任务中近几年来Classificition Loss的演变过程参考资料:1 一文看尽深度学习中的15种损失函数...原创 2021-06-07 16:58:42 · 628 阅读 · 1 评论 -
目标检测中bbox回归中class-agnostic和class-specific的区别在哪?
目标检测中bbox回归中class-agnostic和class-specific的区别在哪?class-specific 方式,很多地方也称作class-aware的检测,是早期Faster RCNN等众多算法采用的方式。它利用每一个RoI特征回归出所有类别的bbox坐标,最后根据classification 结果索引到对应类别的box输出。这种方式对于ms coco有80类前景的数据集来说,并不算效率高的做法。class-agnostic 方式只回归2类bounding box,即前景和背景转载 2021-05-31 08:19:26 · 793 阅读 · 0 评论 -
目标检测中的Bounding Box Regression Loss
Bounding Box Regression LossPyTorch: https://github.com/shanglianlm0525/CvPytorch目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。本文介绍目标检测任务中近几年来Bounding Box Regression Loss Function的演变过程Smooth L1 Loss优点:缺点:Focal Loss优点:缺点:Io原创 2021-05-10 21:57:06 · 3895 阅读 · 0 评论 -
修改yolov5的输入图像尺寸为指定尺寸
yolov5支持两种训练方式:加入指定输入img-size为640square (w==h)如 输入为 [b, c, 640, 640], 可以使用mosic数据增强方式增强图像rect(scale):如 输入为 [b, c, 640, 512], 其中512为短边放缩以后的尺寸(补充到32的倍数)但是不支持mosic数据增强方式但是有的时候在实际项目使用中,可能会涉及到需要同时指定输入图像的长和宽,因为对yolov5代码做一些修改以适应于项目需求。修改后的代码如下:....原创 2021-04-12 15:00:34 · 28966 阅读 · 24 评论 -
yolov5中关闭wandb
在 utils/wandb_logging/wandb_utils.pytry: import wandb from wandb import init, finishexcept ImportError: wandb = None后面添加wandb = None就可以关掉讨人厌的wandb了,哈哈哈哈哈哈哈哈!原创 2021-04-01 18:48:27 · 9829 阅读 · 17 评论 -
深度学习论文: Rethinking Convolutional Feature Extraction for Small Object Detection及其PyTorch实现
深度学习论文: Rethinking Convolutional Feature Extraction for Small Object Detection及其PyTorch实现PDF: https://bmvc2019.org/wp-content/uploads/papers/1057-paper.pdfPyTorch: https://github.com/shanglianlm0525/PyTorch-NetworksPyTorch: https://github.com/shanglianl原创 2021-02-09 10:47:24 · 435 阅读 · 0 评论 -
深度学习论文: Generalized Focal Loss V2及其PyTorch实现
深度学习论文: Generalized Focal Loss V2: Learning Reliable Localization Quality Estimation for Dense Object Detection及其PyTorch实现PDF: https://arxiv.org/pdf/2011.12885.pdfPyTorch: https://github.com/shanglianlm0525/PyTorch-NetworksPyTorch: https://github.com/sh原创 2021-02-01 12:48:17 · 1669 阅读 · 4 评论 -
深度学习论文: Generalized Focal Loss V1及其PyTorch实现
Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object DetectionPDF: https://arxiv.org/pdf/2006.04388.pdfPyTorch: https://github.com/shanglianlm0525/PyTorch-NetworksPyTorch: https://github.com/shanglianlm0525/CvPytorc原创 2021-02-01 12:47:56 · 1915 阅读 · 0 评论 -
深度学习论文: Confluence: A Robust Non-IoU Alternative to NMS in Object Detection及其PyTorch实现
Confluence: A Robust Non-IoU Alternative to Non-Maxima Suppression in Object DetectionPDF: https://arxiv.org/pdf/2012.00257.pdfPyTorch: https://github.com/shanglianlm0525/PyTorch-NetworksPyTorch: https://github.com/shanglianlm0525/CvPytorch1 概述2 NMS的演原创 2021-01-04 09:38:21 · 935 阅读 · 4 评论