基于YoloV5 multi task网络增加分类分支

已于 2022-09-15 08:31:02 修改
阅读量3.9k 收藏 48
点赞数 7
文章标签： 深度学习 计算机视觉 人工智能
于 2022-09-14 16:24:25 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/zengwubbb/article/details/126834276
版权
本文介绍了如何在YoloV5中添加分类分支，以同时实现目标检测和图像分类任务。主要步骤包括修改数据标签，调整数据输入代码，网络结构的改动，模型输出与损失函数的计算，以及最终的可视化结果展示。这种方法允许在共享Backbone的情况下，提高模型的多功能性。
摘要由CSDN通过智能技术生成

文章目录

前言

YoloV5做目标检测任务，但是当我们需要对图像中的目标进行检测，还需要根据图像整体对该图像做分类时，我们可以在Yolo-Detect检测头前加一个分类分支，这样可以在共享Backbone情况下实现做检测任务，又做分类任务，下面具体介绍增加分类分支的操作方法

一、数据准备

如下图，yolov5的标签 .txt 文件, 只需在第一行新增类别标签（0，1，2…），第二行开始是目标框bbox标签
请添加图片描述

二、数据输入处修改代码

对标签label增加分类分支
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

三、网络修改

在这里插入图片描述
在这里插入图片描述

四、模型输出的和标签接上去，计算loss

在这里插入图片描述
在这里插入图片描述

五、最终可视化结果

原版yolo输出3个检测头，增加后多输出一个分类分支
在这里插入图片描述

总结

简单记录一下，因为yolo版本也在不断更新，说一没有详细说明，简单对主要修改处标记了，如有类似修改需求。大致参照思路即可。不能全抄。

songlixiangaibin
关注
yolov8多分支任务头训练
qq_41920323的博客
04-05 623
本文章主要介绍了如何使yolov8类似于yolop来进行多任务头的训练。
yolov5加入分割头，多任务头
游泳的鱼的专栏
11-20 2391
1.3 voc_labels.py，数据集将图片绝对路径存放到相应train.txt和val.txt中，存放到paper_data/det。1.2 split.py，以9:1划分train、val（没有划分test），存放到paper_data/det/ImageSet/Main。road_seg_train：seg文件夹下images/train文件夹绝对路径。road_seg_val：seg文件夹下images/val文件夹绝对路径。train：det文件夹下train.txt相对路径。
YOLOv5多分类识别
hello000w的博客
08-17 471
记录yolov5多分类的具体流程
YoloV8实战：复现基于多任务的YoloV8方案
m0_47867638的博客
05-20 792
自动驾驶中多任务学习，特别是通过设计一种自适应、实时且轻量级的模型来同时处理目标检测、可行驶区域分割和车道线分割，是一种非常有用的研究方法，其中最出名的当属YOLOP模型。然后，YoloP在实时性上并没有得到满足，本文复现基于YoloV8的对任务方案，并在BDD100K数据集上验证和测试，给这方面研究的同学提供便利。BDD100k是一个大规模的自动驾驶数据集，包含了多种复杂的驾驶场景和天气条件。模型在该数据集上取得了具有竞争力的结果，证明了其在实际应用中的有效性。
YOLOv5检测框crop、MobileNetv3分类网络
mw的博客
04-19 1039
在实际深度学习项目中，目标检测算法检测出的目标也会作为分类网络的输入数据，利用目标检测算法的对被检测图像进行抠图，以抠出来的图来扩充分类网络的数据。本文主要讲解yolov5和mobilenetv3结合使用扩展数据样本。
如何在训练过的yolov模型中增加新的识别类
suibianshen2012的专栏
06-08 3097
2、看你模型目前能分多少类，如果只有2类，抱歉，只能全部重新训练。如果还有没用的类别，可以再训练时加载上次的best.pt（或last.pt--具体哪个效果好，还没进行实验验证）就行。1、对数据的权重对网络进行微调，epochs也不用设置得那么多了，原来适配于2种的权重用于3种的分类性能肯定会下降的。比如目前训练了一个3分类的模型，现在根据业务需要，新增加1个类别，如何进行数据集的构建及训练？有博主提示：不能加载best，只能加载last，best里面没有节点信息。
使用训练好的YOLOV5模型在已有XML标注文件中添加新类别
limengshi138392的博客
07-24 992
使用训练好的YOLOV5模型在已有XML标注文件中添加新类别
YOLO新增数据集类别，不需重新标注数据集
tank_6789的博客
02-23 4044
新增数据集类别
基于yolov5与改进VGGNet的车辆多标签实时识别算法
sybh的博客
02-26 1457
本文利用YOLOv3能够端对端快速检出目标位置信息的能力，完成了对视频中车辆的检测，然后设计了一种简化的VGGNet网络结构，通过更改最后的激活函数和网络的损失函数使其能够对YOLOv3输出的车辆分割图像进行多标签分类。通过对比实验，本文发现YOLOv3在KITTI数据集上有着优秀的性能，但多标签分类网络的识别速度较慢。针对这一缺陷，本文设计了一种优化算法，减少了网络中77%～95%的重复多标签分类计算，使整个识别算法的帧率维持在35fps以上。
YOLOV5增加检测头
weixin_43644477的博客
01-18 1191
此时运行yolo.py，查看是否配置完成（别忘记改cfg路径），成功则配置完成，此时的yolov5(7)已经拥有了四个检测头。以下配置文件yolov5s_anchors4.yaml 将下面内容复制到models文件下。以下内容均以yolov5的7.0版本为准。以下手绘图（忽略白色粗线）
YoloV8改进策略：主干网络改进|使用YoloV8实现多任务检测|基于MobileNetV4实时与通用多任务检测模型的改进
最新发布
m0_47867638的博客
08-27 1065
在自动驾驶领域，高精度、轻量级和实时响应是三个至关重要的要求。本文介绍了一种基于MobileNetV4的改进版A-YOLOM（Adaptive YOLO Multi-task）模型，该模型旨在进一步提升实时性能，同时保持对目标检测、可行驶区域分割和车道线分割任务的高精度处理能力。通过替换原A-YOLOM模型中的YOLOv8骨干网络为MobileNetV4，我们成功降低了模型复杂度，显著提升了推理速度，同时保持了良好的检测与分割性能。
多任务yolov5_带检测和分段yolov5ds_multi-task_yolov5_with_detection_and
08-26
多任务yolov5_带检测和分段yolov5ds_multi-task_yolov5_with_detection_and_segmentation_yolov5ds
multiyolov5:基于ultralyticsyolov5的联合检测和语义分割，
08-05
Multi YOLO V5——检测和语义分割 概述 这是我的本科毕业项目，基于 。 这种多任务模型只增加了少量的计算和推理 GPU 内存（约 350MB），并且能够完成对象检测和语义分割。 我的数据集（从 Cityscapes 实例分割标签转移）上的对象检测指标略有改进（与单任务 YOLO 相比），Cityscapes 语义分割指标如下所示。 该存储库近期不会更新（在标记 TomMao-2.0 realse 之后） ，未来版本可能会发布到 。 为了节省我的时间和方便交接，请原谅我下面的文件将用中文写成。 在语义分割部分，我参考了如下代码： 是以增加少量计算和显存为老人，同时完成目标检测和存储分区（1024×512输入约增加350MB，同尺寸增加一个bisenet需要约1.3GB） ，两个单模型独立输入额外的东西）。 (尝试实验数据集)，分割指标模型验证集mIoU 0.73，测
【YOLOv8 多任务版本】v8多任务（1）：论文详解
m0_51579041的博客
07-22 231
YOLOv8 多任务版本 论文解读
利用yolov5训练自己的数据集； yolov5的安装与使用 ； yolov5源码解读
m0_67401660的博客
06-21 2697
*免责声明: 1此方法仅提供参考 2搬了其他博主的操作方法,以贴上路径. 3*1:基本命令 查看Anaconda的版本信息 查看python版本信息 打开Jupyter Notebook命令 或者 退出python输入环境: 命令行终止正在运行的程序命令 : 查看 opencv版本信息: 2:创建使用自己的虚拟环境生成一个名叫 jiance的环境,用来进行做识别任务: 进入这个环境,也就是激活这个环境 windows下: 接下来就是 在这个环境中可以下载你所需要的包 或者是退出这个环境 :查看
【知识蒸馏】开源：Yolov5模型知识蒸馏训练（可用于自己的数据集）
热门推荐
梁瑛平的博客
05-07 1万+
代码地址： https://github.com/Sharpiless/Yolov5-distillation-train-inference 蒸馏训练： python train_distill.py --weights yolov5s.pt \ --teacher weights/yolov5l_voc.pt --distill_ratio 0.001 \ -- teacher-cfg model/yolov5l.yaml --data data/voc.yaml \ --e
YOLOv5多模型推理，同时实现多个任务数据集识别。
AIOT魔法师
07-27 1462
YOLOv5-6.0多模型推理，同时实现多个任务数据集识别。YOLOv5-6.0多模型推理，同时实现多个任务数据集识别。YOLOv5-6.0多模型推理，同时实现多个任务数据集识别。YOLOv5-6.0多模型推理，同时实现多个任务数据集识别。YOLOv5-6.0多模型推理，同时实现多个任务数据集识别。YOLOv5-6.0多模型推理，同时实现多个任务数据集识别。YOLOv5-6.0多模型推理，同时实现多个任务数据集识别。YOLOv5-6.0多模型推理，同时实现多个任务数据集识别。
yolov5 添加每个类别具体标签数量 labels.jpg
qq_42366162的博客
04-19 1809
用下面的代码去替换utils文件中的plots.py文件中的plot_labels类。lables.jpg在runs/train/exp中，但是没有具体的标签数量。yolov5 lables.jpg 添加每个类别具体标签数量。
写一段python基于yolov5框架人脸识别的代码
03-26
实现基于yolov5框架的人脸识别代码如下： ``` import cv2 import numpy as np import torch from models.experimental import attempt_load from utils.general import non_max_suppression, scale_coords from utils.torch_utils import select_device # 加载模型 model = attempt_load("yolov5s.pt", map_location='cpu') # 设置设备 device = select_device("cpu") # 设置阈值 confidence = 0.4 iou_thresh = 0.5 # 加载类别名称 classes = ["face"] # 开启摄像头 cap = cv2.VideoCapture(0) # 循环读取帧 while True: # 读取帧 ret, frame = cap.read() if not ret: break # 转化为RGB frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) # 处理大小 img = cv2.resize(frame, (640, 640)) # 转化为张量 img = torch.from_numpy(img).to(device) # 添加维度 img = img.permute(2, 0, 1).unsqueeze(0) # 模型推理 with torch.no_grad(): output = model(img.float(), augment=False)[0] # 处理坐标 boxes = output[..., :4] boxes = scale_coords(img.shape[2:], boxes, frame.shape).round() # 处理置信度和类别 confidence_scores = output[..., 4] class_indexes = output[..., 5].long() # 多类别处理 detections = [] for class_index in range(output.shape[2]-5): class_mask = class_indexes == class_index if not class_mask.any(): continue class_boxes = boxes[class_mask] class_confidence_scores = confidence_scores[class_mask] # 多类别非极大抑制 class_detections = non_max_suppression( torch.cat((class_boxes, class_confidence_scores.unsqueeze(1)), dim=1), conf_thres=confidence, iou_thres=iou_thresh, multi_label=False, classes=None, agnostic=True ) for detection in class_detections: detection = detection.cpu().numpy() detection = detection[0:4].astype(np.int) detections.append(detection) # 画人脸框 for box in detections: x_min, y_min, x_max, y_max = box cv2.rectangle(frame, (x_min, y_min), (x_max, y_max), (0, 255, 0), 2) # 显示结果 cv2.imshow("face detection", frame) # 退出 if cv2.waitKey(1) & 0xFF == ord('q'): break # 释放摄像头 cap.release() # 关闭窗口 cv2.destroyAllWindows() ``` 该代码首先加载yolov5模型，然后设置设备、阈值和类别名称。接下来开启摄像头，循环读取每一帧，并进行模型推理。模型输出包含置信度、类别和坐标信息，需要对其进行处理，得到每一个人脸框的坐标。最后，将每一个人脸框用矩形框住，并显示结果。
评论 7
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
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