一、针对工业领域线圈小目标检测,基于Yolov5s网络改进检测头实验及其检测效果对比

背景:

基于7分类实验(异物、点胶不良、剥锡不良、打点不良、线圈外变形,线圈表面交错、氧化

修改后的网络结构图

保留原Yolov5s的检测头结构,扩增一层160×160size的feature map,大尺度特征图负责检测小目标,并且由于原始训练集中样本特征多样性以及样本类别中独立同分布特征出现频率不同,再次直接利用低层高维特征分布空间保留的信息与深层低维特征空间的信息进行concat,细节(如图:第4层、第17层、第20层与第3层在通道维度上进行拼接后进行上采样操作使其特征图尺寸等于第4、17层,满足以上条件后,将三个特征空间在通道维度进行concat)扩增的feature map如下图红线所视:
在这里插入图片描述模型结构配置文件:yolov5.yaml文件

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters
nc: 7  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32
  - [24, 22, 36, 30, 19, 70] # P3/8
# anchors:
  # - [24, 22, 36, 30, 19, 70]  # P3/8
  # - [67, 21, 34, 52, 56, 39]  # P4/16
  # - [103, 38,51, 80, 91, 84]  # P5/32

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)  

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)  80 

   [-1, 1, Conv, [512, 3, 2]],   # 
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large) 

   [-1, 1, Conv, [512, 1, 1]],   # 24  减少了c
   [-1, 1, nn.Upsample, [None, 2, 'nearest']], #  /16
   [[-1, 6, 20], 1, Concat, [1]],  # 26    c= 1/3
   [-1, 3, C3, [512, False]],  # 27
   [-1, 1, nn.Upsample, [None, 2, 'nearest']], #  / 8
   [[-1, 4, 17], 1, Concat, [1]],  # 29
   [-1, 3, C3, [512, False]],  # 30   加深了c

   [[17, 20, 23, 30], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

实验检测效果图部分对比(yolov5s与修改后的yolov5)

在这里插入图片描述在这里插入图片描述在这里插入图片描述

在这里插入图片描述

  • 6
    点赞
  • 24
    收藏
    觉得还不错? 一键收藏
  • 4
    评论

“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 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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