YOLOv5 Tricks

已于 2023-03-07 10:17:39 修改
阅读量380 收藏 1
点赞数
文章标签： 深度学习 模型训练 yolo
于 2023-03-02 09:47:08 首次发布
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/weixin_42182534/article/details/129294630
版权

对背景图像的考虑？原始链接https://github.com/ultralytics/yolov5/issues/9797

这里注意对于背景图像，我们只需要提供图像，无需考虑txt标注文件。

 

 对训练模型微调的考虑？ 原始链接https://github.com/ultralytics/yolov5/issues/2498

  对anchor_t的解释？ 链接1 https://github.com/ultralytics/yolov5/issues/1310

链接2 icon-default.png?t=N176https://github.com/WongKinYiu/yolor/issues/149数据集中若包含长宽比异常的物体（窄又长）可以尝试使用

江小白jlj
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
YOLOv5的Tricks | 【Trick5】遗传算法实现超参数进化（Hyperparameter Evolution）
Clichong
06-07 6623
如有错误，恳请指出。Hyperparameter evolution超参数演化是一种使用遗传算法（GA）进行优化的超参数优化方法。ML 中的超参数控制训练的各个方面，为它们找到最佳值可能是一个挑战。由于 1) 高维搜索空间 2) 维度之间的未知相关性，以及 3) 评估每个点的适应度的昂贵性质，网格搜索等传统方法很快就会变得难以处理，这使得 GA 成为超参数搜索的合适候选者。以上是官方文档的介绍：Hyperparameter Evolution，其实简单的来说，就是使用遗传算法来对超参数已经交叉变异以获得更好
Yolov3_tricks
03-08
YOLOV3的pytorch版本中嵌入了许多技巧 在Darknet上添加我的新模块很麻烦，然后我在Pytorch上实现了带有许多技巧的完整版yolov3 详尽的中文注释！ 表现 地图 车 人 自行车 官方基准 74.3％ 85.6％ 79.4％ 58.0％ ...
yolov5的trick总结
weixin_42295969的博客
08-22 808
输入端的 Mosaic 数据增强、自适应锚框计算、自适应图片缩放操作、Focus 结构(之后6.0就不用了)、CSP 结构、SPP 结构、FPN + PAN 结构、CIOU_Loss 等等。
YOLOv5的Tricks | 【Trick6】学习率调整策略（One Cycle Policy、余弦退火等）
Clichong
06-07 1万+
如有错误，恳请指出。其中包括：LR Range Test、Cyclical LR、One Cycle Policy、SGDR、AdamW 、SGDW、pytorch实现的余弦退火策略。具体的学习率调整策略，详细见参考资料。yolov5代码中提供了两种学习率调整方案：线性学习率与One Cycle学习率调整代码比较简单，如下所示： 配合辅助绘制函数，这里可以将两种学习率调整策略的学习率随epochs变化绘制出来，这里我重新写了一个函数比较方便调用lf。参考代码： 下面利用以上函数分别查看线性学习率与One C
YOLOv5的Tricks | 【Trick1】关于激活函数Activation的改进汇总
Clichong
06-01 7016
如有错误，恳请指出。在yolov5模型搭建的过程实现中，额外实现了很多非常新奇有趣的激活函数，不再是的简单nn.ReLU等，所以这里使用这篇笔记来对这一些列的激活函数进行总结归纳。关于激活函数，在很早之前我写过一篇笔记介绍，笔记链接：激活函数与Loss函数求导，在这里主要介绍的是目标检测yolov5算法中实现的一些的激活函数，主要设计ReLU函数及其变体，包含ReLU，PReLU，RReLU，FReLU，Swish，Mish，Acon系列，Dynamic ReLU系列。ReLU相比之前的 Sigmoid/t
【实验记录】yolov5的一些改进tricks总结--持续更ing
热门推荐
crush111的博客
11-04 4万+
【实验记录】yolov5的一些改进tricks总结 1.在yolov5上增加小目标检测层 link 2.在yolov5上增加注意力机制 link
python tricks
11-06
Python_Tricks_－_A_Buffet_of_Awesome_Python_Features
Python Tricks
05-07
作者用简洁易懂的语言描述了复杂的概念、让你一看就懂得讲述配合代码。让你成为成为更懂python的开发者， 适合每一个编程阶段的开发者
yoloV4.pdf
04-29
yoloV4速度效率双提升。将 AP 和 FPS 分别提高了10%和12%。该论文是非常好的目标检测学习资料。详细讲解了各种tricks的效果。
html-tips-tricks:我最喜欢HTML5技巧和窍门
03-18
html-tips-tricks HTML5并不是新事物。自初始版本（2014年10月）以来，我们一直在使用它的多个功能。作为#100DaysOfCode计划的一部分，我花了一些时间再次访问功能列表。看到我发现了什么？我还没有真正使用过它！在...
YOLOv5的Tricks | 【Trick11】在线模型训练可视化工具wandb(Weights & Biases)
Clichong
08-07 5685
如有错误，恳请指出。与其说是yolov5的训练技巧，这篇博客更多的记录如何使用wandb这个在线模型训练可视化工具，感受到了yolov5作者对其的充分喜爱。所以下面内容更多的记录下如何最简单的使用这个工具，而不是在介绍他在yolov5中的使用，后者具体可以见官方资料：Weights & Biases with YOLOv5Wandb是Weights & Biases的缩写，这款工具能够帮助跟踪你的机器学习项目。它能够自动记录模型训练过程中的超参数和输出指标，然后可视化和比较结果，并快速与同事共享结果。（感受
YOLOv5的Tricks | 【Trick4】参数重结构化（融合Conv+BatchNorm2d）
Clichong
06-02 3188
如有错误，恳请指出。这篇文章是想要记录yolov5在模型搭建过程中的一个融合模块，就是把卷积与批归一化的参数进行融合，想卷积带有批归一化的性质，使得推理过程中可以加快模型推理速度，简化整个模型结构，实现训练与推理两个阶段的解耦。我最早接触参数重结构化这个词是看见了大佬丁霄汉发表的几篇论文：RepVGG，RepMLP，RepLKNet，这些构建新backbone的论文无一例外的全部使用了参数重结构化的思想。RepVGG将3x3,1x1，identity分支的残差结果利用数学计算方法等价为一个3x3的卷积结构，
YOLOv5的Tricks | 【Trick2】目标检测中进行多模型推理预测（Model Ensemble）
Clichong
06-01 4950
如有错误，恳请指出。在学习yolov5代码的时候，发现experimental.py文件中有一个很亮眼的模块：Ensemble。接触过机器学习的可能了解到，机器学习的代表性算法是随机森林这种，使用多个模型来并行推理，然后归纳他们的中值或者是平均值来最为整个模型的最后预测结构，没想到的是目标检测中也可以使用，叹为观止。下面就对其进行详细介绍：集成建模是通过使用许多不同的建模算法或使用不同的训练数据集创建多个不同模型来预测结果的过程。使用集成模型的动机是减少预测的泛化误差。只要基础模型是多样且独立的，使用集成方
深入浅出Yolo系列之Yolov5核心基础知识完整讲解
haima1998的专栏
09-03 3558
转自：https://zhuanlan.zhihu.com/p/172121380 大白在之前写过《深入浅出Yolo系列之Yolov3&Yolov4核心基础知识完整讲解》 对Yolov4的相关基础知识做了比较系统的梳理，但Yolov4后不久，又出现了Yolov5，虽然作者没有放上和Yolov4的直接测试对比，但在COCO数据集的测试效果还是很可观的。 很多人考虑到Yolov5的创新性不足，对算法是否能够进化，称得上Yolov5而议论纷纷。 但既然称之为Yolov5，也有很多非常不错的地方值得
深入浅出Yolo系列之Yolov5核心基础知识完整讲解（转载）
Smile to the World
11-25 8861
大白在之前写过《深入浅出Yolo系列之Yolov3&Yolov4核心基础知识完整讲解》，点击即可查看。 对Yolov4的相关基础知识做了比较系统的梳理，但Yolov4后不久，又出现了Yolov5，虽然作者没有放上和Yolov4的直接测试对比，但在COCO数据...
YOLOv5的Tricks | 【Trick13】YOLOv5的detect.py脚本的解析与简化
Clichong
08-10 8207
如有错误，恳请指出。在之前介绍了一堆yolov5的训练技巧，train.py脚本也介绍得差不多了。之后还有detect和val两个脚本文件，还想把它们总结完。在之前测试yolov5训练好的模型时，用detect.py脚本简直不要太方便，觉得这个脚本集成了很多功能，今天就分析源码一探究竟。关于如何使用yolov5来训练自己的数据集在之前已经写了一篇文章记录过：yolov5的使用 | 训练Pascal voc格式的数据集，所以在这篇文章中就主要分析源码，再稍微提及一下detect的可用参数。对于测试的都会存放在
一点就分享系列（实践篇3-上篇）— 修改YOLOV5 之”魔刀小试“+ Trick心得分享+V5精髓部分源码解读
啥都会一点的小程的博客
03-09 3万+
一点就分享系列（实践篇3—上篇）—“全网首发” 正确手法修改YOLOV5 魔刀小试+ Trick心得分享 现在部署大热，而我觉得回归原理和源码更加重要！在检测领域YOLOV5肯定是大家的炼丹必备模型，收敛快，精度高都是其爱不释手的理由，各种魔改基础backone或者别的trcik也层出不穷，这里我自己针对V5的head添加了ASFF自适应的特征融合检测层，分享下，也顺手告诉大家如何以正规的手法去修改YOLOV5的网络结构！ 文章目录一点就分享系列（实践篇3—上篇）—“全网首发” 正确手法修改YOLOV5
2020-11-18-记录yolov5的网络结构各种trick
qq_32740315的博客
11-18 1254
背景 一直向2写一篇不错的论文，再加上yolov5处理出来，所以想基于此写一篇论文，在我魔改了好多此结构后，目前还没有发现有那些参数比以前要好的，唯一发现的就是添加检测头可能会好些。前前后后差不多快打半月了，我要受不了了。我决定再次好好读代码。 整体网络结构 from表示来自哪一层，params表示参数的数量，module表示模块的名字，aruguments分别表示输入和输出的通道数量、卷积核和步长。下面的就是对模型的解析得到的结果。 from n params
YOLOv5的Tricks | 【Trick12】YOLOv5使用的数据增强方法汇总
Clichong
08-07 2万+
在专栏前面的内容一直介绍的是yolov5训练时候使用的一些技巧，这里用这篇博客最后归纳一下yolov5在数据增强上所使用的技巧。 在yolov3-spp专栏的时候，我介绍过yolov3-spp大致所使用的一些数据增强的方法： 数据增强：Mosaic 数据增强：随机旋转、平移、缩放、错切、HSV 在之前详细的介绍过代码，而在yolov5这里，其实代码是类似的，甚至函数的名字都没有变化，看过源码的朋友就可能知道了，改变的地方其实不是很多，所以这里就不再详细介绍代码的细节了，只是总结一下使用的数据增强。...
yolov5的Tricks
最新发布
09-12
YOLOv5中使用的Tricks基本上和YOLOv4一致，并在此基础上引入了更多的工程优化逻辑。具体来说，YOLOv5使用了一些技巧来提高物体检测的准确性和效率。其中一些Tricks包括： 1. Mosaic数据增强：YOLOv5使用了Mosaic...

“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
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