YOLOv5改进系列(十一) 增加小目标检测层

已于 2025-04-25 14:10:16 修改
阅读量8.3k 收藏 140
点赞数 47
分类专栏： 人工智能（机器学习-深度学习-目标检测） 文章标签： YOLO 目标检测 目标跟踪 人工智能 深度学习
于 2023-12-14 23:49:50 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_44302770/article/details/135006575
版权
文章详细介绍了小目标检测在实际应用中的挑战，探讨了各种解决方法，如图像缩放、网络结构优化等，并着重讲述了如何在YOLOv5中通过增加小目标层和调整Anchor来提升对小目标的检测能力。

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

文章目录

    • 一、小目标检测的介绍
      • 1.1 什么是小目标？
      • 1.2 小目标检测遇到的问题
      • 1.3 解决方法
      • 1.4 YOLOv5中的优化方法
    • 二、YOLOv5增加小目标层的方法
      • 2.1 网络结构
      • 2.2 添加步骤
        • 第①步 创建自定义yaml文件
        • 第②步 验证是否添加成功

一、小目标检测的介绍

1.1 什么是小目标？

（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）。

（2）在实际应用场景中，通常更倾向于使用相对于原图的比例来定义：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。

其他定义：

  • 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

1.2 小目标检测遇到的问题

（1）大小目标混合的场合

在这种场合中，一张图片上有少数的大目标，有小目标。

常见的问题有：

  • 能够准确
了解本专栏 订阅专栏 解锁全文
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 3417
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！
yolov8以及yolov10增加小目标检测层
最新发布
luoshiyong123的博客
03-29 190
【代码】yolov8以及yolov10增加小目标检测层。
YOLOv5 目标检测优化：降低误检与漏检
xu.hyj
02-15 2210
误检意味着模型检测到了不存在的目标，而漏检则指模型未能检测到真实存在的目标。通过合理的优化，可以大幅降低误检和漏检，提高 YOLOv5 在目标检测任务中的表现。如果背景复杂导致误检，可以减少强烈的数据增强，避免模型学到无关信息。如果漏检主要集中在某些特定角度或场景，可以增加相应的数据增强，例如。IoU 阈值，如 0.3-0.4，但不能太低，否则可能导致漏检。如果误检仍然较多，可以使用更大的 YOLOv5 变体，如。例如，检测小目标时，使用。，但不能过低，否则会引入过多误检。，但不能过高，否则可能导致漏检。
YOLOv5改进系列（15）——增加小目标检测层
路人贾的博客
07-09 8414
手把手教你YOLOv5改进系列之增加小目标检测层
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。
YOLOv5-7.0添加小目标检测层
heromps的博客
07-31 3050
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改进—添加微小目标检测层
qq_47759359的博客
11-25 612
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-增加小目标的检测层，K-means聚类生成框
qq_69854365的博客
08-09 4778
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
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
yolov8添加小目标检测层
darkredrock的博客
06-05 2万+
正常的YOLOv8对象检测模型输出层是P3、P4、P5三个输出层，为了提升对小目标的检测能力，添加第四个输出层。在标准目标检测中，数据集中有小目标的情况下，小目标会出现漏检或检测效果不佳等问题。但对微小目标检测可能存在检测能力不佳的现象，因此添加一个微小物体的检测头，在有小目标数据集中能够有涨点。# P4/16对应的检测特征图大小为40X40，用于检测大小在16X16以上的目标。# P5/32对应的检测特征图大小为20X20，用于检测大小在32X32以上的目标。YOLOv8小目标检测模型。
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
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...
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）。
优化改进YOLOv5算法之针对小目标检测优化YOLOv5_Face2(超详细)
qq_40716944的博客
06-17 2987
本文主要参考YOLO-FaceV2这个文章，该文章为了解决人脸检测中小目标、遮挡等问题，在YOLOv5算法的基础提出了几点改进，且取得了比较不错的效果。
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 9013
YOLOv5优化点，小目标检测
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 ..
【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 1万+
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
YOLOv8系列算法改进【NO.6】增加小目标检测层
m0_70388905的博客
07-30 5115
YOLOv8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yolov8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。
yolov5小目标识别改进
09-27
根据引用中提到的信息，YOLOv5s作为YOLO系列中最小的模型，对于小目标的识别精度可能达不到准确、高效识别的要求。为了改进YOLOv5的小目标识别能力，可以考虑以下方法： 1. 数据增强：根据引用中提到的问题，数据增强可能会导致数据集中原来的小目标变小，从而降低模型的泛化性能。因此，可以尝试使用其他数据增强方法来丰富数据集，同时保证小目标的大小不会过于减小，从而提高模型对小目标的识别能力。 2. 特征金字塔改进：引用中提到的AF-FPN模型利用自适应注意力模块（AAM）和特征增强模块（FEM）来减少特征图生成过程中的信息丢失并增强表示能力的特征金字塔。可以考虑将YOLOv5中原有的特征金字塔网络替换为AF-FPN，从而提高YOLOv5对小目标的检测性能。 3. 自动学习数据增强：引用中提到的自动学习数据增强方法可以根据自动学习数据增强策略使用最佳的数据增强方法来丰富数据集并提高训练效果。可以尝试使用这种方法来增加小目标在数据集中的数量和多样性，从而提高模型对小目标的识别能力。
评论 3
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

小酒馆燃着灯

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