特征融合篇 | YOLOv5/v7 更换上采样方式 | 最近邻 / 双线性 / 双立方 / 三线性 / 转置卷积

已于 2024-02-07 14:45:57 修改
阅读量1.8w 收藏 210
点赞数 24
分类专栏： YOLOv5/v7改进实战 文章标签： 深度学习 人工智能 计算机视觉
于 2022-06-22 20:56:23 首次发布
原创文章为博主个人所有，未经授权不得转载、摘编、传播、倒卖、洗稿或利用其它方式使用上述作品。违反上述声明者，本站将追求其相关法律责任。
本文链接：https://blog.csdn.net/weixin_43694096/article/details/125416120
版权
本文介绍了如何在YOLOv5/v7中替换上采样方式，探讨了最近邻、双线性、双立方、三线性插值与转置卷积等方法，并分享了转置卷积的修改步骤和实验结果，展示不同k值对性能的影响。

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

🌟想了解YOLO系列算法更多教程欢迎订阅我的专栏🌟

对于基础薄弱的同学来说，推荐阅读《目标检测蓝皮书》📘，里面涵盖了丰富的目标检测实用知识，是你迅速掌握目标检测的理想选择！

如果想了解 YOLOv5 和 YOLOv7 系列算法的训练和改进，可以关注专栏《YOLOv5/v7 改进实战》🌟。该专栏涵盖了丰富的YOLO实用教程，专门为改进YOLO的同学而设计。该专栏阅读量已经突破60w+🚀，被誉为全网最经典的教程！所有的改进方法都提供了详细的手把手教学！

《YOLOv5/v7 进阶实战》🏅专栏是在《YOLOv5/v7 改进实战》🌟专栏上进一步推出的更加有难度的专栏，除大量的最新最前沿改进外，还包含多种手把手的部署压缩教程，内容不仅可以用于小论文，也可用于大论文！

想了解 YOLOv8 系列算法教程的同学可以关注这个专栏《YOLOv8改进实战》🍀，这个专栏为博主精心设计的最新专栏，随 YOLOv8 官方项目实时更新，内容以最新最前沿的改进为主，专栏内容包含【检测】【分类】【分割】【关键点】任务！

YOLOv5/v7 更换上采样方式

文章目录

了解本专栏 订阅专栏 解锁全文
Yolov5上采样方式对比试验
带你成为别人眼中的大佬！
05-26 1127
在 Yolov5 目标检测网络中，上采样操作通常被用于将特征图恢复成原始输入图像大小，使得网络可以有效地检测小物体和细节。本文将探讨 Yolov5 中常用的 5 种上采样方式：最近邻插值、双线性插值、双立方插值、三线性插值和转置卷积，并进行对比试验。综上所述，实验结果表明转置卷积是 Yolov5 中最佳的上采样方式，而三线性插值和双立方插值也可以作为一种可靠的选择。接下来，我们将分别实现最近邻插值、双线性插值、双立方插值、三线性插值和转置卷积，并对它们进行对比试验。Yolov5上采样方式对比试验。
改进YOLO系列：YOLOv5结合转置卷积，实现小目标涨点
qq_44224801的博客
04-06 1761
该函数是用来进行转置卷积的，它主要做了这几件事：首先，对输入的feature map进行padding操作，得到新的feature map；然后，随机初始化一定尺寸的卷积核；最后，用随机初始化的一定尺寸的卷积核在新的feature map上进行卷积操作。补充一下，卷积核确实是随机初始的，但是后续可以对卷积核进行单独的修改，比如使用双线性卷积核，这样的话卷积核的参数是固定的，不可以进行学习修改。下面对上面的过程进行演示。
Yolov5更换上采样方式( 最近邻 / 双线性 / 双立方 / 三线性 / 转置卷积)
@bangbang的博客
06-07 3484
l 1.2. 双线性插值(Bi-Linear interpolation) 1.3. 双立方插值(Bi-Cubic interpolation) 1.4 三线性插值(Trilinear Interpolation) 当align_corners = True时，线性插值模式(线性、双线性、双三线性和三线性)不按比例对齐输出和输入像素，因此输出值可以依赖于输入的大小 这里我将原本的最近邻插值的上采样方式替换为转置卷积；有人
关于YOLOV5改进
最新发布
qq_51810827的博客
03-25 439
由于第一次训练的数据大部分由电脑虚拟SD生成，如下图所示： 现在多往训练数据中添加一些马路上落石的真实数据。 修改后训练的效果如下图： 灰色是训练前。 蓝色是训练后。 发现二者精确率，召回率，map的值不相上下，但我们放在实际真实场景去推理的时候发现，有些石头无法被检测出来，或置信度非常低。 yolov5的网络架构图解打开model文件夹下的common.py 在yolo.py文件中添加CBAMC3模块 在yaml文件中增加CBAM 以上文件修改以后都别忘记保存，接下来直接运行。同理先修改common
【YOLOv5/v7改进系列】替换上采样层为转置卷积
2401_84870184的博客
05-17 1529
转置卷积，又称为分数步长卷积或错位卷积，常用于上采样操作。
yolov5的上采样层改为反卷积层
qiumokucao的博客
12-22 4714
对于有的硬件不支持上采样层的，可以将上采样层改为反卷积层。 修改配置文件： # parameters nc: 80 # number of classes depth_multiple: 0.33 # model depth multiple width_multiple: 0.50 # layer channel multiple # anchors anchors: - [10,13, 16,30, 33,23] # P3/8 - [30,61, 62,45, 59,119]
Yolov5调整空间金字塔池化SPPCSPC/上采样方式bilinear
m0_56247038的博客
08-25 1万+
​空间金字塔池化以及上采样方式的最佳选择
yolov5/v7 更换上采样方式( 最近邻 / 双线性 / 双立方 / 三线性 / 转置卷积) (新
12-28
在yolov5/v7中更换上采样方式为双线性、双立方或者三线性插值，可以在一定程度上提高物体检测的精确度和准确性，但需要考虑到计算复杂度和模型的训练时间。因此，选择合适的上采样方式需要综合考虑模型性能和实际...
主干网络篇 | YOLOv5/v7 更换骨干网络之 GhostNet | 从廉价的操作中生成更多的特征图
热门推荐
YOLOv8项目贡献者
01-02 1万+
YOLOv5/v7 更换骨干网络之 GhostNet
主干网络篇 | YOLOv5/v7 更换骨干网络之 EfficientNet | 卷积神经网络模型缩放的再思考
YOLOv8项目贡献者
01-02 6734
YOLOv5/v7 更换骨干网络之 EfficientNet-B0
【目标检测实验系列】YOLOv5创新点改进实验：通过转置卷积，动态学习参数，减少上采用过程特征丢失，提高模型对目标的检测精度！（超详细改进代码流程）
弗兰-随风小欢的博客
12-03 2363
【目标检测实验系列】YOLOv5创新点改进实验：通过转置卷积，动态学习参数，减少上采用过程特征丢失，提高模型对目标的检测精度！（超详细改进代码流程）
深度学习几种上采样方法代码，最近邻插值，双线性插值，pixelshuffle，unpool，逆卷积等示例代码
03-22
深度学习几种上采样方法代码，最近邻插值，双线性插值，pixelshuffle，unpool，逆卷积等示例代码
图像常用的插值算法：最近邻插值、双线性插值和双三次插值算法
CFH1021的博客
04-26 1万+
图像常用的插值算法最近邻插值算法双线性插值算法双三次插值(bicubic)算法三种插值算法的优缺点 插值算法是图像缩放中的一项基本且重要的算法；在图像缩放中，输出图像像素点坐标可能对应输入图像上几个像素点之间的位置，这个时候就需要通过灰度插值处理来计算出该输出点的灰度值。图像插值是图像超分辨率的重要环节，不同的插值算法有不同的进度，插值算法的好坏也直接影像着图像的失真程度。常用的插值算法有以下三种...
上采样-最近邻插值
jh__chen的博客
04-12 433
现在，对于目标图像中的每个像素，我们要找到在原始低分辨率图像中距离最近的像素。在这里，我们简单地将边缘像素的值复制到目标图像的相应位置。这样做的结果是图像变得更大，但由于没有利用周围像素的信息，导致图像质量相对较低，尤其是在图像中有锯齿状边缘和像素块的情况下。当我们使用最近邻插值方法对图像进行上采样时，我们首先要确定目标图像中每个像素的位置，然后找到在原始低分辨率图像中距离最近的像素，最后将该像素的值复制到目标像素中。现在，我们将原始图像中的每个像素的值复制到目标图像中的相应位置，得到了上采样后的图像。
【YOLOv5/v7改进系列】替换特征融合网络为AFPN
2401_84870184的博客
05-22 2130
介绍了一种新的特征金字塔网络结构——渐近特征金字塔网络（Asymptotic Feature Pyramid Network, AFPN），旨在解决目标检测任务中多尺度特征提取的问题，特别是非相邻层级间特征信息的损失和退化。
【图像处理】最近邻插值、双线性插值和双三次插值
mjiansun的专栏
12-28 2692
但是大家只是在用这个算法，很少关注这个算法的实现细节：插值算法是如何工作的。上图效果是最近邻法的计算过程示意图，由上图可见，最近邻法不需要计算只需要寻找原图中对应的点，所以最近邻法速度最快，但是会破坏原图像中像素的渐变关系，原图像中的像素点的值是渐变的，但是在新图像中局部破坏了这种渐变关系。最近邻法实际上是不需要计算新图像矩阵中点的数值的，直接找到原图像中对应的点，将数值赋值给新图像矩阵中的点，根据对应关系找到原图像中的对应的坐标，这个坐标可能不是整数，这时候找最近的点进行插值。
上采样之最近邻插值、双线性插值
jq_98的博客
04-04 1885
上采样之最近邻插值、双线性插值一、最近邻插值二、双线性插值 一、最近邻插值 设i+u, j+v(i, j为正整数， u, v为大于零小于1的小数，下同)为待求象素坐标，则待求象素灰度的值 f(i+u, j+v)。 如果(i+u, j+v)落在A区，即u<0.5, v<0.5，则将左上角象素的灰度值赋给待求象素，同理，落在B区则赋予右上角的象素灰度值，落在C区则赋予左下角象素的灰度值，落在D区则赋予右下角象素的灰度值。 最邻近元法计算量较小，但可能会造成插值生成的图像灰度上的不连续，在灰度变化
【上采样】关于最近邻插值/双线性插值/反卷积这一篇就够了
欢迎来到斑斓的博客，有问题私信交流
10-08 1634
用最通俗易懂的语言和图片，解释了最近邻插值/双线性插值/反卷积这三大常见的上采样操作，并附带Pytorch函数说明。
上采样（最近邻插值、双线性插值法、反池化、转置卷积）
YuanLei96的博客
04-18 1万+
一般图像分割的时候，需要对图像进行像素级别的分类，因此在卷积提取到抽象特征后需要通过上采样将feature map还原到原图大小，在FCN和U-net等网络中都提到了上采样的操作，这里会一些上采样的方法进行总结。
评论 59
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

迪菲赫尔曼

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