YOLOv5改进系列（15）——增加小目标检测层

已于 2023-08-01 13:17:07 修改
阅读量8.6k 收藏 31
点赞数 10
分类专栏： YOLOv5入门＋实践＋改进 文章标签： YOLO 目标检测 计算机视觉 人工智能 深度学习
于 2023-07-09 11:20:23 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_43334693/article/details/131613721
版权
本文介绍了小目标检测在物体检测中的挑战，如小目标的定义、检测问题及解决方法。重点讨论了YOLOv5中的优化策略，包括如何在YOLOv5网络结构中增加小目标检测层，通过创建自定义yaml文件并修改Anchor和Head部分，实现对4x4以上目标的检测。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

962f7cb1b48f44e29d9beb1d499d0530.gif【YOLOv5改进系列】前期回顾：

YOLOv5改进系列（0）——重要性能指标与训练结果评价及分析

YOLOv5改进系列（1）——添加SE注意力机制

YOLOv5改进系列（2）——添加CBAM注意力机制

YOLOv5改进系列（3）——添加CA注意力机制

YOLOv5改进系列（4）——添加ECA注意力机制

YOLOv5改进系列（5）——替换主干网络之 MobileNetV3

YOLOv5改进系列（6）——替换主干网络之 ShuffleNetV2

YOLOv5改进系列（7）——添加SimAM注意力机制

YOLOv5改进系列（8）——添加SOCA注意力机制

YOLOv5改进系列（9）——替换主干网络之EfficientNetv2

​​​​​​YOLOv5改进系列（10）——替换主干网络之GhostNet

YOLOv5改进系列（11）——添加损失函数之EIoU、AlphaIoU、SIoU、WIoU

YOLOv5改进系列（12）——更换Neck之BiFPN

了解本专栏 订阅专栏 解锁全文 超级会员免费看
YOLOv5算法改进（16）— 增加小目标检测层 | 四头检测机制（包括代码+添加步骤+网络结构图）
突然好想你
10-21 3469
作者通过网络结构图的形式循序渐进的为您讲解如何在YOLOv5中增加小目标检测层，相信看完本篇文章，您一定会有所收获！
YOLOv5改进系列(十一) 增加小目标检测层
专注于人工智能学习，总结
12-14 8622
（1）以物体检测领域的通用数据集COCO物体定义为例，小目标是指小于32×32个像素点（中物体是指3232-9696，大物体是指大于96*96）。物体标注框的长宽乘积，除以整个图像的长宽乘积，再开根号，如果结果小于3%，就称之为小目标。目标边界框的宽高与图像的宽高比例小于一定值，通用值为0.1边界框面积与图像面积之比的中位数在0.08%~0.58%之间根据目标实际覆盖像素与图像总像素之间比例对小目标进行定义首先创建文件。
yoloV5 增加小目标检测层
m0_64298393的博客
05-29 1万+
原始网络有三个检测头： 分别是 80x80 （小目标） 40x40（中目标） 160x160(小目标)，现在要增加小目标检测层，就可以在80 x 80 的上一步，也就是 160 x 160 尺寸增加为了检测160 x 160的检测头，因此需将backbon中160 与NECK中的 160 相加（残差网络），但原始网络中 NECK没有60 x 160的特征图，但可以对 80x80的特征图再进行一次上采样，得到160x160的特征图，并于backbon中60x160的特征图连接即可得到下图的网络图。
YOLOv5增加小目标检测层
weixin_52950958的博客
08-23 1万+
YOLOv5增加小目标检测层
yolov5增加小目标检测层
jacke121的专栏
07-14 2万+
一，model文件解释 yolov5的模型配置文件如下： # parameters nc: 80 # number of classes depth_multiple: 1.0 # model depth multiple width_multiple: 1.0 # layer channel multiple # anchors anchors: - [10,13, 16,30, 33,23] # P3/8 - [30,61, 62,45, 59,119] # P4/16 ..
目标检测算法——YOLOv5改进|增加小目标检测层
热门推荐
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
06-01 5万+
1.YOLOv5算法简介YOLOv5主要由输入端、Backone、Neck以及Prediction四部分组成。其中：(1) Backbone：在不同图像细粒度上聚合并形成图像特征的卷积神经网络。(2) Neck：一系列混合和组合图像特征的网络层，并将图像特征传递到预测层。(3) Head： 对图像特征进行预测，生成边界框和并预测类别。检测框架：2.原始YOLOv5模型 若输入图像尺寸=640X640，# P3/8 对应的检测特征图大小为80X80，用于检测大小在8X8以上的目标。# P4/16对应的检测
YOLOv5-7.0添加小目标检测层
heromps的博客
07-31 3110
作为当前先进的深度学习目标检测算法YOLOv5，已经集合了大量的trick，但是在处理一些复杂背景问题的时候，还是容易出现错漏检的问题。而YOLOv5小目标检测效果不好的一个原因是因为小目标样本的尺寸较小，而yolov5的下采样倍数比较大，较深的特征图很难学习到小目标的特征信息，因此提出增加小目标检测层对较浅特征图与深特征图拼接后进行检测。通过加入小目标检测层，可以让网络关注小目标的检测，提高检测效果。
【Yolov5】Yolov5添加检测层，四层结构对小目标、密集场景更友好
qq:1115926058
02-20 2万+
Yolov5添加针对小目标的检测层，提高在密集场景下的检测能力
YOLOv5改进系列（15）——增加小目标检测层_yolov5 6.9 增加小目标检测层-CSDN博客.mhtml
11-10
YOLOv5改进系列（15）——增加小目标检测层_yolov5 6.9 增加小目标检测层-CSDN博客.mhtml
目标检测算法——YOLOv7改进|增加小目标检测层
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
11-02 2万+
目标检测算法——YOLOv7改进|增加小目标检测层。官方版的YOLOv7相同体量下比YOLOv5精度更高，速度快120%（FPS），比 YOLOX 快180%（FPS），比 Dual-Swin-T 快1200%（FPS），比 ConvNext 快550%（FPS），比 SWIN-L快500%（FPS）。
目标检测算法之YOLO
06-26
关于目标检测算法之YOLO，YOLO作为基于深度学习的第一个one-stage的方法做快可以在TitanX GPU上做到45帧每秒的检测速度，轻量版的可以做到155帧每秒，快到没朋友有没有？相比于R-CNN[5]精确度也有非常大的提升53.5 VS 63.4 mAP，真是做到了多快好省！
改进YOLOv5的无人机影像小目标检测算法.pdf
05-24
YOLOv5作为YOLO系列的最新版本，通过优化网络结构和训练策略，显著提升了目标检测的速度和精度。但在处理无人机影像中的小目标时，YOLOv5仍然存在一定的局限性。 为了解决这一问题，研究人员提出了改进版的YOLOv5...
YOLOv11改进 | Neck篇 | 给yolov11分别增加小目标检测层P2和大目标检测层P6
Snu77的博客
11-06 3561
本文给大家带来的最新改机制是给YOLOv11增加分别增加小目标P2和大目标检测层P6（两个yaml文件），有的读者可能检测的目标是小目标，那么我们增加小目标检测层是非常容易涨点的，或者你的检测目标是图片占比很大的（很少有这样的）那么增加大目标检测层是非常好的选择，本文根据YOLOv8官方提供的P2和P6两个版本yaml文件，进行YOLOv11的参考性移植，大家可以选择P2或者P6作为自己的一个论文创新点.欢迎大家订阅我的专栏一起学习YOLO！
YOLOV5改进-增加小目标的检测层，K-means聚类生成框
qq_69854365的博客
08-09 4831
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。
【YOLOV5】yolov5增加检测层
Gorgeous_wxd
04-01 3533
注意 博主所更改的YOLOV5版本为6.1 修改后的配置文件./data/yolov5-l.yaml # YOLOv5 🚀 by Ultralytics, GPL-3.0 license # Parameters nc: 10 # number of classes depth_multiple: 1.0 # model depth multiple width_multiple: 1.0 # layer channel multiple anchors: - [5,6, 8,14, 15,11
YOLOv5改进—添加微小目标检测层
qq_47759359的博客
11-25 653
YOLOv5 采用多尺度检测策略，通过融合主干网络提取的特征来生成不同尺度的检测层，以有效识别各类目标。当输入图像的尺寸为 640×640 时，模型会输出 20×20、40×40 和 80×80 三个尺度的检测层。其中，20×20 的检测层适合检测较大目标的缺陷，而 80×80 的检测层则更有效于小目标的缺陷检测；40×40 的检测层则处于两者之间，提供了中间的特征信息。
YOLOv5改进（二）-- 目标检测优化点（添加小目标头检测）
qq_44231797的博客
04-14 9523
YOLOv5优化点，小目标检测
即插即用 | YOLOv5可以这样升级小目标检测
CV_Autobot的博客
04-01 5204
作者|小书童 编辑| 集智书童点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【目标检测】技术交流群后台回复【2D检测综述】获取鱼眼检测、实时检测、通用2D检测等近5年内所有综述！小目标检测是计算机视觉和目标检测领域的一个重大挑战。小目标检测器的性能往往因缺乏像素和不太重要的特征而受到影响。这个问题源于特征尺度的变化和特征处理过程中的信息丢失引起的信息...
YOLOv5 提升小目标识别能力 解决VisDrone2019数据集
weixin_42001184的博客
09-16 6384
YOLOv5增加一些tricks技巧去提升它的小目标检测能力，进而在VisDrone无人机拍摄的这个数据集上达到更好的效果
小目标检测层介绍
最新发布
03-08
### 小目标检测层介绍 在深度学习网络中，小目标检测是一项具有挑战性的任务。为了有效处理这一问题，研究人员开发了多种专门针对小目标优化的方法和技术。 #### 多尺度特征融合 多尺度特征融合是一种常用的小目标检测策略。通过结合不同层次的卷积特征图，可以增强对小目标的表示能力。具体来说，浅层特征富含细节信息而深层特征则携带更抽象的概念理解[^1]。这种组合有助于提高模型识别细小物体的能力。 #### 特征金字塔网络（FPN） 特征金字塔网络（Feature Pyramid Network, FPN）是实现上述理念的有效架构之一。该网络利用自顶向下的路径连接各层特征，并通过横向连接加强空间分辨率较高的低级特征与语义更强的高级特征之间的联系。这使得即使是在输入图像中小尺寸的目标也能获得足够的关注[^2]。 #### 锚框调整机制 对于区域提议网络（Region Proposal Network, RPN），当面对新类别特别是较小的对象时，可能会遇到正样本不足的情况。为此提出的解决方案包括但不限于增加正锚点的比例以及改进非极大值抑制算法来保留更多潜在的小目标候选区[^4]。 ```python import torch.nn as nn class SmallObjectDetectionLayer(nn.Module): def __init__(self, in_channels=256, out_channels=256): super(SmallObjectDetectionLayer, self).__init__() # 定义一个多尺度特征提取模块 self.multi_scale_conv = nn.Sequential( nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.Conv2d(out_channels, out_channels, kernel_size=3, dilation=2, padding=2), # 使用膨胀卷积扩大感受野 nn.ReLU(inplace=True) ) def forward(self, x): return self.multi_scale_conv(x) # 创建一个小目标检测层实例 sod_layer = SmallObjectDetectionLayer() ``` 此代码片段展示了如何构建一个简单的基于PyTorch框架的小目标检测层。它采用了两个连续的二维卷积操作，其中第二个使用了扩张率大于1的膨胀卷积以扩展其感受野而不损失过多的空间维度，从而更好地捕捉到细微结构的信息。
评论 30
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

打赏作者

路人贾'ω'

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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