还是先道歉 在说搬运的事 业没亲测啊 反正看见了 感觉好厉害

目标检测是现在最热门的研究课题，现在的框架越来越多，但是技术的新颖性到了瓶颈，目前开始流行Transformer机制，而且在目标检测领域也能获得较大的提升，也是目前研究的一个热点。

本文 iphone-ipad-Yolo 一个大佬修改过的yolo

开源代码：https://github.com/ultralytics/yolov5/releases

暂时命名为：Pad-YoloV5，在IPad上可以实时检测！基于YoloV5框架，熟悉的同学应该都不用多加解释。

YoloV4在YoloV3的基础上增加了近两年的研究成果，如下：

  1. 输入端采用mosaic数据增强
  2. Backbone上采用了CSPDarknet53、Mish激活函数、Dropblock等方式。（cspnet减少了计算量的同时可以保证准确率）
  3. Mish函数为：
  4. Neck中采用了SPP、FPN+PAN的结构，
  5. 输出端则采用CIOU_Loss、DIOU_nms操作

YoloV5主要的改变，如下：

  1. 输入端：Mosaic数据增强、自适应锚框计算
  2. Backbone：Focus结构，CSP结构
  3. Neck：FPN+PAN结构
  4. Prediction：GIOU_Loss

正好在看这个综艺，就随手测试下效果

这次主要优化，是YoloV5在数据增强的时候，用随机缩放、随机裁剪、随机排布的方式进行拼接，这个对于小目标的检测效果还是很友好的。通过实验发现，这个随机拼接和有规律的拼接，最终的结果还是有一点差别的。

mac上的yolo_目标检测

首先我通过修改数据增强的策略，开始对整体数据集进行统计（也就是数据预处理分析），我大致分成三个范围。将最大的与最小的进行随机拼接，最终结果确实比整体随机的效果好！

其次，稍微修改了下自适应图片缩放策略，Yolov5代码中datasets.py的letterbox函数中进行了修改，对原始图像自适应的添加最少的黑边。我是在自适应缩放后的图片，我在右下角位置填边，其实大多数数据没有什么变化，只是随便改改，因为在线都是在Yolo的基础上增加最近几年新出的策略，确实在最后的检查有一定效果的增加。

蹭个热度，由于训练epoch较少，效果在ipad上测试不够理想

最后的修改，就是辛苦的把Transformer机制加进了YoloV5的基础框架中，训练确实加快了，但是对于用笔记本训练的成果物，还是不够明显。

虽然实际不是多... 但还是好厉害吧