番外篇 | YOLOv5-SPD：用最简单的方式完成低分辨率图像和小目标检测升级

最新推荐文章于 2024-07-29 15:45:00 发布
最新推荐文章于 2024-07-29 15:45:00 发布
阅读量317 收藏
点赞数 2
分类专栏： YOLOv5：从入门到实战 文章标签： 目标检测 人工智能 计算机视觉 深度学习 YOLO 神经网络 机器学习
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_61961691/article/details/139187110
版权
本文介绍了如何在YOLOv5中引入SPD-Conv，以改善低分辨率图像和小目标检测。通过修改YOLOv5的网络结构，包括common.py和yolo.py文件，以及创建和调整自定义yaml配置，实现了性能提升。SPD-Conv由空间到深度层和非步长卷积层组成，能有效减少信息丢失，提升目标检测性能。
摘要由CSDN通过智能技术生成

前言：Hello大家好，我是小哥谈。论文提出了一个新的CNN构建模块称为SPD-Conv，用来替换每个步长卷转层和每个池化层（从而完全消除它们）。SPD-Conv由一个空间到深度（SPD）层和一个非步长卷积（Conv）层组成。本文详细介绍了如何在YOLOv5中引入SPD-Conv，助力助力低分辨率与小目标检测，并且使用修改后的YOLOv5进行目标检测训练与推理。🌈

     目录

🚀1.论文解析

🚀2.网络结构

🚀3.添加步骤

🚀4.改进方法

💥💥步骤1：common.py文件修改

💥💥步骤2：yolo.py文件修改

💥💥步骤3：创建自定义yaml文件

💥💥步骤4：修改自定义yaml文件

💥💥步骤5：验证是否加入成功

了解本专栏 订阅专栏 解锁全文 超级会员免费看
小哥谈
关注
  • 2
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
yolov5s融合SPD-Conv用于提升小目标和低分辨率图像检测性能实践五子棋检测识别
Together_CZ的博客
12-25 3484
yolov5s融合SPD-Conv用于提升小目标和低分辨率图像检测性能实践五子棋检测识别
YoloV5-SPD+TensorRT:基于YoloV5-SPD的小目标检测算法训练
qianxun
08-13 1751
yolov5出来已经很长时间了，所以有关yolov5的一些详细介绍在这里就不一一介绍了，模型结构大家可以查看我之前画的yolov5-5和yolov6-6的模型结构图。TensorRT+yolov5:yolov5添加小目标检测层2--TensorRT部署_曲末寒的博客-CSDN博客_yolov5加检测头。可以看到整体的map@0.5是在0.501，，，说实话并不是特别高，，，回头我们重新计算下测试集的Map..后续会进行TensorRT部署，，，既然有那么一点效果当然得部署用起来呀。接下来我们开始训练代码。.
YOLOv5改进 | 卷积模块 | 无卷积步长用于低分辨率图像和小物体的新 CNN 模块SPD-Conv
最新发布
kay_545
07-29 845
yolov5，yolov5改进，SPDConv
yolov5改进spd-conv
weixin_45303602的博客
07-26 2128
然而，当图像分辨率较低或物体较小时，它们的性能会灾难性下降。这是由于现有CNN常见的设计体系结构中有缺陷，即使用卷积步长和/或池化层，这导致了细粒度信息的丢失和较低效的特征表示的学习。为此，我们提出了一个名为SPD-Conv的新的CNN构建块来代替每个卷积步长和每个池化层(因此完全消除了它们)。然后，我们将SPD-Conv应用于YOLOv5和ResNet，创建了新的CNN架构，并通过经验证明，我们的方法明显优于最先进的深度学习模型，特别是在处理低分辨率图像和小物体等更困难的任务时。文章版本为6.0及以上。
YOLOv5系列(十三) 本文(7000字) | 引入用于低分辨率图像和小物体的模块SPD-Conv |
weixin_44302770的博客
12-30 1194
卷积神经网络(CNN)在图像分类、目标检测等计算机视觉任务中取得了巨大的成功。然而，在图像分辨率较低或对象较小的更困难的任务中，它们的性能会迅速下降。这源于现有CNN体系结构中一个有缺陷但却很常见的设计，即使用和/或池化层，这导致了细粒度信息的丢失和较低效率的特征表示的学习。为此，我们提出了一种新的CNN模块，称为SPD-Conv，以取代每个和每个池化层(从而完全消除了它们)。SPD-Conv由(SPD)层和(Conv)层组成，可以应用于大多数CNN架构。
YOLOv5改进 | 卷积篇 | SPD-Conv空间深度转换卷积（高效空间编码技术）
Snu77的博客
12-18 3354
本文给大家带来的改进内容是SPD-Conv（空间深度转换卷积）技术。SPD-Conv是一种创新的空间编码技术，它通过更有效地处理图像数据来改善深度学习模型的表现。SPD-Conv的基本概念：它是一种将图像空间信息转换为深度信息的技术，从而使得卷积神经网络（CNN）能更加有效地学习图像特征。这种方法通过减少信息损失和提高特征提取的准确性，优化了模型对小物体和低分辨率图像的处理能力。我在YOLOv8中利用SPD-Conv被用于替换传统的步长卷积和池化层，在不牺牲精确度的情况下减少计算复杂度（精度甚至略有提升）。
YoloV5-SPD+TensorRT:基于YoloV5-SPD的小目标检测算法部署
qianxun
08-15 2545
前面我们在yolov5添加了小目标检测层，进行了训练，但是训练的次数也不是很多，接下来我们使用tensorrt进行四个检测头的yolov5部署。yolov5出来已经很长时间了，所以有关yolov5的一些详细介绍在这里就不一一介绍了，模型结构大家可以查看我之前画的yolov5-5和yolov6-6的模型结构图。TensorRT+yolov5:yolov5添加小目标检测层2--TensorRT部署_曲末寒的博客-CSDN博客_yolov5加检测头。大家可以看看我之前的添加小目标层的文章。......
涨点神器：基于Yolov5/Yolov7的SPD-Conv，低分辨率图像和小物体涨点明显
03-20 3220
无卷积步长或池化:用于低分辨率图像和小物体的新 CNN 模块SPD-Conv
【YOLOv8改进】 SPD-Conv空间深度转换卷积，处理低分辨率图像和小目标问题
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
02-06 5701
卷积神经网络（CNNs）在许多计算机视觉任务中取得了巨大成功，例如图像分类和目标检测。然而，当面对图像分辨率低或对象较小的更加困难的任务时，它们的性能迅速下降。在本文中，我们指出这一问题根源于现有CNN架构中一个有缺陷但常见的设计，即使用了步长卷积和/或池化层，这导致了细粒度信息的丢失和较不有效的特征表示的学习。为此，我们提出了一种新的CNN构建块，名为SPD-Conv，用以替代每个步长卷积层和每个池化层（从而完全消除它们）。
改进YOLOv5/v7 | 用于低分辨率图像和小物体的新 CNN 模块SPD-Conv
热门推荐
YOLOv8项目贡献者
08-18 2万+
用于低分辨率图像和小物体的新 CNN 模块SPD-Conv
【CVPR 2021】低分辨率目标检测：Multi-Scale Aligned Distillation for Low-Resolution Detection
梁瑛平的博客
07-25 1519
【CVPR 2021】低分辨率目标检测：Multi-Scale Aligned Distillation for Low-Resolution Detection论文地址：主要问题： 论文地址： https://jiaya.me/papers/ms_align_distill_cvpr21.pdf 主要问题： 在实例级检测任务（如目标检测检测）中，降低输入分辨率是提高运行时效率的一个简单而且有效的选择 然而如果直接降低目标检测器中输入图像的分别率会对检测性能影响很大 本文主要研究通过从高分辨率或多分辨率模型
python基于融合SPD-Conv改进yolov5与原生yolov5模型实践路面裂痕裂缝检测
Together_CZ的博客
02-04 4562
python基于融合SPD-Conv改进yolov5与原生yolov5模型实践路面裂痕裂缝检测
RestoreDet：低分辨率图像中目标检测
gzq0723的博客
01-21 3631
关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq学习群｜扫码在主页获取加入方式论文地址：https://arxiv.org/pdf/2201.02314....
【目标检测论文阅读笔记】Small Object Detection in Remote Sensing Images with Residual Feature Aggregation-Based
YoooooL_的博客
05-18 617
本文利用图像超分辨率的概念，使用基于深度学习的检测方法来增强图像分辨率从而检测来自卫星或任何飞行器的遥感图像中的小目标。本文通过结合 循环生成对抗网络（GAN）和残差特征聚合（RFA）来改进当前的超分辨率（SR）框架以提高检测性能，从而为小目标的图像超分辨率提供了基本原理。该方法的新颖之处有三：首先，提出了一个框架，独立于研究中使用的最终目标检测器，即YOLOv3 可以替换为 Faster R-CNN 或任何目标检测器来执行目标检测；其次，在生成器中使用残差特征聚合网络。
Yolov8小目标检测（4）：SPD-Conv，低分辨率图像和小物体涨点明显
08-22 2561
SPD-Conv| 亲测在红外弱小目标检测涨点明显，map@0.5 从0.755提升至0.878
【YOLO v5 v7 v8 v9 小目标改进】SPD-Conv：解决步长卷积和池化层导致的细粒度信息丢失
Debroon
02-23 5602
在添加 SPD-Conv 代码"""这个模块实现了空间到深度的操作，它重新排列空间数据块到深度维度，通过块大小增加通道数并减少空间维度。在卷积神经网络中常用此方法保持下采样图像的高分辨率信息。""""""初始化 SpaceToDepth 模块。参数:block_size (int): 每个块的大小。它定义了空间维度的下采样因子。输出通道的数量将增加 block_size**2 倍。"""self.block_size = block_size # 块大小"""
IEEE：基于轻量级特征增强卷积神经网络的低空小目标检测
weixin_42390283的博客
04-16 8138
Abstract 无人机(UAV)被称为"黑飞"的非法飞行对公共安全构成重大威胁，现有低空目标检测算法在平衡检测精度和速度方面存在困难。此外，它们的精度也不够高，尤其是对于复杂环境中的小目标。为了解决这些问题，我们提出了一种轻量级的特征增强卷积神经网络，能够实时对低空飞行目标进行高精度检测，从而提供制导信息以抑制"黑飞"无人机。该网络由三个模块组成。采用轻量、稳定的特征提取模块来减少计算量并且稳定地提取更多的底层特征，增强的特征处理模块显著提高了模型的特征提取能力，精确检测模块集成了低级和高...
无卷积步长或池化:用于低分辨率图像和小物体的新 cnn 模块spd-conv
07-12
而SPD-Conv模块通过引入更精细的卷积方式，能够更好地保留低分辨率图像和小物体的细节和信息。它通过增加卷积核的数量和改变卷积核的形状，使得网络可以更好地处理低分辨率图像和小物体。 此外，SPD-Conv还可以通过...
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

小哥谈

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