YOLOv5系列(二十九) 本文(1万字) | 多模型推理预测(Model Ensemble) | 参数重结构化(融合Conv+BatchNorm2d) |

已于 2023-12-29 16:29:37 修改
阅读量918 收藏 26
点赞数 25
文章标签： YOLO 人工智能 深度学习 多模型推理预测 参数重结构化 Ensemble
于 2023-12-28 09:30:22 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/135261049
版权
人工智能专栏计划 专栏收录该内容
141 篇文章 7 订阅

已下架不支持订阅

点击进入专栏：
《人工智能专栏》 Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程

文章目录

代码函数调用关系图(最详尽)

因文档特殊，不能在博客正确显示，请移步以下链接！

图解YOLOv5_v7.0代码结构与调用关系(点击进入可以放大缩小等操作)

在这里插入图片描述

多模型推理预测(Model Ensemble)

官方文档：

https://docs.ultralytics.com/yolov5/tutorials/model_ensembling/
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：Ens

了解本专栏 已下架不支持订阅
小酒馆燃着灯
关注
  • 25
    点赞
  • 踩
  • 26
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录

已下架不支持订阅

YOLOv5的Tricks | 【Trick2】目标检测中进行多模型推理预测（Model Ensemble）
Clichong
06-01 5009
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
yolov5同时加载两个模型实现推理生成标签
weixin_45994963的博客
12-12 5112
yolov5同时加载两个模型实现推理生成标签
YOLOv5系列(四十三) 多模型推理预测(Model Ensemble)
weixin_44302770的博客
12-10 641
所以可以看见，在对通一批图像做处理的时候，会得到多个模型预测的结果，预测框成倍的增加，使用多少个模型就会增加多少倍，后处理过程会变慢，但是精度会提高，其实也可以换成mean或者是max的方法。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。只要基础模型是多样且独立的，使用集成方法时模型的预测误差就会减小。该方法在做出预测时寻求群体的智慧。
YOLOv8源码修改（2）- 解耦检测推理类+融合多个YOLOv8模型的检测推理结果
qq_40387714的博客
05-26 983
实际工程中，一张图片可能需要经过几个检测网络，不同网络的配置会有差异，且可能只需获取部分预测类别，而YOLOv8高度封装，直接使用较为麻烦。因此，需要解耦YOLOv8检测的推理类，用其直接加载模型，并在不同模型获取部分结果后，融合多个模型的推理结果。
YOLOV5之提高模型评估和测试方法（Ensemble、TTA、WBF）
qq_41627642的博客
12-20 1502
这并不总是可能的，但是，例如用YOLOv5x集成一个efficiency entdet模型，你不能合并网格，你必须使用NMS或WBF(或merge NMS)来得到最终的结果。TTA的基本流程是通过对原图做增强操作，获得很多份增强后的样本与原图组成一个数据组，然后用这些样本获取推理结果，最后把多份的推理结果按一定方法合成得到最后的推理结果再进行精度指标计算。在测试和推断时，只需将额外的模型附加到任何现有val.py或detect.py命令的weights参数中，就可以将多个预先训练的模型集成到一起。
YOLOV5之提高模型评估和测试方法（TTA、Ensemble、WBF）
qq_41627642的博客
03-03 5654
本指南解释了如何在测试和推断改进的mAP和Recall过程中使用YOLOv5模型集成。2022年1月25日更新。 集成建模是一个过程，通过使用许多不同的建模算法或使用不同的训练数据集，创建多个不同的模型来预测结果。然后，集合模型将每个基本模型的预测聚合起来，并对未见数据产生一次最终预测。使用集成模型的动机是为了减少预测的泛化误差。当采用集成方法时，只要基本模型是不同的和独立的，模型的预测误差就会减小。这种方法在预测中寻求群体的智慧。尽管集成模型在模型中有多个基本模型，但它作为单个模型进行操作和执行。 1
yolov5核心代码: anchor匹配策略，compute_loss和build_targets理解
qq_44523137的博客
03-07 5250
yolov5核心代码compute_loss和build_targets理解 本文主要讲述yolov5anchor匹配策略-跨网格预测以及损失函数计算的核心过程理解，网络部分相对容易这里不再赘述。 1. yolov5跨网格匹配策略 yolov5最重要的便是跨网格进行预测，从当前网格的上、下、左、右的四个网格中找到离目标中心点最近的两个网格，再加上当前网格共三个网格进行匹配。增大正样本的数量，加快模型收敛。 j, k = ((gxy % 1. < g) & (gxy > 1.)).T
modeltime.ensemble:时间序列集合预测
03-15
一个modeltime扩展，它实现了集成预测方法，包括模型平均，加权平均和堆栈。 安装 安装CRAN版本： install.packages( " modeltime.ensemble " ) 或者，安装开发版本： remotes :: install_github( " business-...
深度学习领域yolox-yolov5算法在深海海星目标检测（带数据集）-4、gbr-yolox-yolov5-ensemble
06-18
深度学习领域yolox-yolov5算法在深海海星目标检测（带数据集）--4、gbr-yolox-yolov5-ensemble-2-o 数据集太大，可联系我下载。 语言：python 内容包括：源码、数据集、数据集描述 目的：使用yolox-yolov5算法在深海...
LSTM模型预测LSTM模型预测
03-11
LSTM（长短期记忆网络）是一种特殊的循环神经网络（RNN）...综上所述，这些文件涵盖了一系列使用LSTM进行时间序列预测的实践，包括信号预处理、模型架构选择以及预测方法等，展示了LSTM在不同场景下的应用和优化策略。
缓和模型预测（EEMD去噪）_eemd预测_缓和模型预测_eemd去噪_时间序列eemd_预测_
09-29
缓和模型预测（Mitigated Model Prediction）结合了EEMD（Ensemble Empirical Mode Decomposition，集合经验模态分解）的去噪能力，为复杂非线性、非平稳时间序列提供了更可靠的预测方法。 **EEMD去噪技术** EEMD...
YOLOv5
03-08
1. **模型结构**：YOLOv5采用了一种更先进的网络架构，融合了ResNet、SPP-Block、Focal Loss等组件，提升了特征提取的效率和对小目标的检测能力。 2. **数据增强**：YOLOv5利用了广泛的图像增强技术，如CutMix、...
使用YOLOV5-6.2预训练模型(yolov5s)进行detect的详细说明（detect.py）文件解析
yue81560的博客
04-20 2987
使用YOLOV5-6.2预训练模型(yolov5s)进行detect的详细说明（detect.py）文件解析，给出每一步的操作细节和结论，大家一起来学习
labview yolov5 onnxruntime推理，封装dll, labview调用dll，支持同时加载多个模型并行推理
xHttkHeu的博客
10-23 563
LabVIEW YOLOv5 ONNXRuntime推理，封装DLL，LabVIEW调用DLL，支持同时加载多个模型并行推理，可CPU GPU，x86 x64位，识别视频和图片，CPU速度100ms，GPU26ms，只需要替换模型的ONNX和nameclass即可。通过本文的学习，读者将掌握使用LabVIEW进行物体识别的方法和技巧，并能够根据需求进行调整和优化，实现更高效、更准确的物体探测。最后，还将阐述如何在不同硬件环境下进行模型的部署以及如何替换模型的ONNX和nameclass文件。
目标检测的模型集成方法及实验
AI公园
01-13 1017
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”作者：Vikas S Shetty编译：ronghuaiyang导读模型集成是一种提升模型能力的常用方法，但也会带来推理时间的增...
yolo-inference多后端+多任务+多算法+多精度模型 框架开发记录(python版)
最新发布
taifyang的博客
06-13 534
不知不觉LZ已经快工作两年了，由于之前的工作内容主要和模型部署相关，想着利用闲暇时间写一些推理方面的经验总结，于是有了这个工程。其实本来也是自己写了玩的，不过已经陆续迭代半年多了，期间也通过借签优秀代码吸收了经验，索性总结一下心得~用来初始化ONNXRuntime，OpenCV，OpenVINO，TensorRT四个package。即YOLO基类派生出YOLO_ONNXRuntime等类，再由YOLO_ONNXRuntime类派生一系列具体算法实现子类。即通过task_map接口返回具体算法类的实现。
YoloAll V2发布，集成所有主流Yolo模型于一身
cjnewstar111的专栏
11-26 3011
YoloAll项目简介 YoloAll是一个将当前主流Yolo版本集成到同一个UI界面下的推理预测工具。可以迅速切换不同的yolo版本，并且可以针对图片，视频，摄像头码流进行实时推理，可以很方便，直观的对比不同版本的yolo的推理效果，耗时等。 自从YoloAll V1版本推出以后，得到了很多朋友的喜欢，大家也跟我一样，被众多的Yolo版本所困扰，有时为了比较两个不同版本的Yolo的效果，往往需要花费很长时间搭建环境，并且很容易出错，因此才有了这个开发这个YoloAll的想法，能够非常方便的测试不同..
YOLO多线程多模型运行模式的实施
ccc123_ok的专栏
09-25 4993
Darknet深度神经网络学习框架具有小巧、快速的特点，由于采用c++进行编写，非常容易改为多线程执行，而用于检测、分类等任务。 在window环境中，其基本思路为： 1. 将检测，分类函数封装为可调用的动态库 2.动态申请network， 或固定长度 network数组 3.各network模型及权重文件根据不同的检测、分类的功能能需求动态加载,比如行人检测，特种车辆检测、声音分类，烟雾...
yolov5常用的轻量化模型
08-30
- Yolov5s：这是Yolov5系列中最轻量化的模型，它具有较小的模型大小和计算量。它通过采用知识蒸馏技术将一个大的Yolov5模型的知识迁移到一个小的Yolov5模型中来实现模型的轻量化。 - Yolov5m：这是Yolov5系列中的...
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

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