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

于 2024-05-25 01:09:46 发布
阅读量174 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

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

💥💥步骤6：修改默认参数

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
YoloV5-SPD+TensorRT:基于YoloV5-SPD的小目标检测算法训练
qianxun
08-13 1727
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。.
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 3393
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改进spd-conv
weixin_45303602的博客
07-26 1905
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 |
最新发布
weixin_44302770的博客
12-30 1113
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 3027
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 2515
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。......
改进YOLOv5_v7 _ 用于低分辨率图像和小物体的新 CNN 模块SPD-Conv_迪菲赫尔曼的博客-CSDN博客.mhtml
12-15
改进YOLOv5_v7 _ 用于低分辨率图像和小物体的新 CNN 模块SPD-Conv_迪菲赫尔曼的博客-CSDN博客.mhtml
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
10-06
Images and Small Objects 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 提出了一个名为SPD-Conv的新的CNN构建块，它完全消除了步长和池化操作，取而代之的是一个空间到深度卷积和一个无步长...
YOLOv5：修改backbone为SPD-Conv
09-20
1、官方源项目地址 ：https://github.com/ultralytics/yolov5 2、在yolov5-6.1中修改backbone为SPD-Conv。 3、训练、测试、预测命令与官方版本一致。
matlab精度检验代码-scene-classification-using-SPD:场景分类使用SPD
05-22
matlab精度检验代码使用空间金字塔匹配进行场景分类 项目总结 该项目演示了统计金字塔匹配（SPM）在词袋（BoW）方法上的应用。 BoW方法用于对象识别和场景分类。 该项目包含图像的训练和测试案例。 每个图像已生成60...
SPD-Plethora:使用python的应用程序。 一个由5人组成的项目
04-18
SPD普勒索拉 这个程序有各种功能 图片编辑 图片到文字的转换 文字格式 文字分析 文字转语音 语音转文字 这是一个实用程序 在Windows上设计，但适用于android 屏幕截图
【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 1493
【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 4474
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 3531
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....
Yolov8小目标检测（4）：SPD-Conv，低分辨率图像和小物体涨点明显
各专栏持续更新中，改进创新YOLO，适用v5、v7、v8、v9、v10，订阅者私信添加本人微信！！！ By AI小怪兽
08-22 2312
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
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 7701
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...
yolov5改进（自用）
m0_67006148的博客
09-26 1440
1）打开models文件夹中的common.py文件2）将下面的CBAMC3代码复制粘贴到common.py文件中。
目标检测之Task-Driven Super Resolution: Object Detection in Low-resolution Images
qq_41950533的博客
02-23 699
0.摘要 目的是证明sr是否可以对低分辨率的目标检测任务做出贡献，这篇文章加入了用来计算sr过程中的检测损失。本文想要找来一个鲁棒性比较好的sr方法，可以广泛应用于低分辨率的目标检测中，并且证明其有效性。 1.病态的sr SR的最终目标仍然是按照人类视觉感知的标准尽可能地重建图像，但是人的感知和机器的感知不同。所以如果我们sr的目的是为了给机器使用，我们应该使用更迎合机器的sr方法而不是使用那些迎合肉眼的方法。低分辨率的图片是通过高分辨率图片下采样的方式获得，图b是1/8-size再填充黑色。 (d)和(
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
各专栏持续更新中，改进创新YOLO，适用v5、v7、v8、v9、v10，订阅者私信添加本人微信！！！ By AI小怪兽
03-20 3076
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
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
### 回答1： SPD-Conv是一种新的卷积神经网络（CNN）模块，它特别适用于处理低分辨率图像和小物体。SPD-Conv与传统的卷积步长和池化操作不同，它通过一种新颖的方式更好地处理这些特殊情况。 在处理低分辨率图像时，传统的卷积步长或池化操作可能会损失细节和重要信息。因为低分辨率图像具有更少的像素，卷积步长或池化操作可能会导致信息不足，从而影响图像的准确性和细节。 对于处理小物体，卷积步长或池化操作可能会导致物体信息丢失或变形。小物体的尺寸相对较小，如果使用较大的步长或池化操作，可能会将物体压缩成更小的尺寸，导致物体的形状和细节模糊。 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还可以通过增加网络的深度和使用更多的激活函数来增强特征提取能力。这些特性使得SPD-Conv成为一种有助于低分辨率图像和小物体处理的有效模块。 总之，SPD-Conv是一种新的CNN模块，它通过新颖的卷积方式，有效地处理低分辨率图像和小物体。它能够更好地保留细节和信息，并提高准确性和细节的表现。这种新的技术有望在图像处理和目标检测等领域中发挥重要作用。 ### 回答2： SPD-Conv是一种新的CNN模块，它可以用于处理低分辨率图像和小物体。与传统的卷积神经网络不同，SPD-Conv模块不使用卷积步长或池化操作。 传统的卷积神经网络通常使用卷积步长来减小图像的尺寸，或使用池化操作来降低特征图的维度。然而，在处理低分辨率图像或小物体时，这些操作可能导致信息丢失或模糊，因为原始图像或物体的细节已经很有限。 SPD-Conv模块通过使用一种新的策略来解决这个问题。它的核心思想是保留尽可能多的原始信息，并且在学习时增强这些信息。 首先，SPD-Conv模块使用较小的卷积核来捕获图像或物体的细节。这种小的卷积核允许在不降低分辨率的情况下对图像进行处理，并保留更多的原始信息。 其次，SPD-Conv模块引入了一种新的注意力机制，该机制通过自适应地调整每个像素点的权重来增强图像或物体的重要细节。这种注意力机制可以根据具体任务进行学习和调整，以更好地突出低分辨率图像或小物体的特征。 最后，SPD-Conv模块还可以与其他常用的CNN模块结合使用，如残差连接和批归一化等，以进一步提升性能和稳定性。 总之，SPD-Conv模块是一种新的CNN模块，通过不使用卷积步长或池化操作，针对低分辨率图像和小物体的特点，保留更多的原始信息，并增强重要细节，从而在处理这些特定场景时取得更好的效果。

“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
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