深入浅出Yolo系列之Yolov5核心基础知识完整讲解

大白在之前写过《Yolov3&Yolov4核心基础知识的完整讲解》:https://blog.csdn.net/nan355655600/article/details/106246625/对Yolov4的相关基础知识做了比较系统的梳理,但Yolov4后不久,又出现了Yolov5,虽然作者没有放上和Yolov4的直接测试对比,但在COCO数据集的测试效果还是很可观的。很多人考虑到Yolov5的创新性不足,对算法是否能够进化,称得上Yolov5而议论纷纷。但既然称之为Yolov5,也有很多非常不

大家好,又见面了,我是你们的朋友全栈君。

大白在之前写过《深入浅出Yolo系列之Yolov3&Yolov4核心基础知识完整讲解》点击即可查看

Yolov4的相关基础知识做了比较系统的梳理,但Yolov4后不久,又出现了Yolov5,虽然作者没有放上和Yolov4的直接测试对比,但在COCO数据集的测试效果还是很可观的。

很多人考虑到Yolov5创新性不足,对算法是否能够进化,称得上Yolov5而议论纷纷。

但既然称之为Yolov5,也有很多非常不错的地方值得我们学习。不过因为Yolov5的网络结构和Yolov3、Yolov4相比,不好可视化,导致很多同学看Yolov5看的云里雾里。

因此本文,大白主要对Yolov5四种网络结构的各个细节做一个深入浅出的分析总结,和大家一些探讨学习。

当然,随着旷视科技Yolox的发布,大白也深入研究,制作了《深入浅出Yolo系列之Yolox核心基础完整讲解》,可以直接点击查看。

同时,大白每周会整理几十个人工智能公众号的精华文章,并系统的分类,让大家对于人工智能行业每周的内容动态可以一目了然,点击查看

版权申明:本文包含图片,都为大白使用PPT所绘制的,如需网络结构高清图模型权重,可点击查看下载

PS:原创不易,编辑上传文字2小时,为了便于大家查看,排版8小时,欢迎大家点赞收藏。

更新提醒(2021.12.26):《AI未来星球》开放加入,超值福利,点击加入。

其中包含大白耗尽洪荒之力,准备了包括Yolo目标检测在内的31节视频课程可以点击查看。

求职跳槽福利:为了便于大家求职、跳槽的准备,大白将45家大厂3500篇面经,按照知识框架,整理成700多页的《人工智能算法岗江湖武林秘籍》,限时开放下载,点击查看下载


1 Yolov5四种网络模型

Yolov5官方代码中,给出的目标检测网络中一共有4个版本,分别是Yolov5s、Yolov5m、Yolov5l、Yolov5x四个模型。
学习一个新的算法,最好在脑海中对算法网络的整体架构有一个清晰的理解。
比较尴尬的是,Yolov5代码中给出的网络文件是yaml格式,和原本Yolov3、Yolov4中的cfg不同。
因此无法用netron工具直接可视化的查看网络结构,造成有的同学不知道如何去学习这样的网络。
比如下载了Yolov5的四个pt格式的权重模型:

在这里插入图片描述
大白在《深入浅出Yolo系列之Yolov3&Yolov4核心基础知识完整讲解》中讲到,可以使用netron工具打开查看网络模型。
但因为netron对pt格式的文件兼容性并不好,直接使用netron工具打开,会发现,根本无法显示全部网络。
因此可以采用pt->onnx->netron的折中方式,先使用Yolov5代码中models/export.py脚本将pt文件转换为onnx格式,再用netron工具打开,这样就可以看全网络的整体架构了。

在这里插入图片描述
如果有同学对netron工具还不是很熟悉,这里还是放上安装netron工具的详解,如果需要安装,可以移步大白的另一篇文章:《网络可视化工具netron详细安装流程》
如需下载Yolov5整体的4个网络pt文件及onnx文件,也可点击链接查看下载,便于直观的学习。

1.1 Yolov5网络结构图

安装好netron工具,就可以可视化的打开Yolov5的网络结构,这里大白也和之前讲解Yolov3&Yolov4同样的方式,绘制了Yolov5s整体的网络结构图,配合netron的可视化网络结构查看,脑海中的架构会更加清晰。

在这里插入图片描述

本文也会以Yolov5s的网络结构为主线,讲解与其他三个模型(Yolov5m、Yolov5l、Yolov5x)的不同点,让大家对于Yolov5有一个深入浅出的了解

1.2 网络结构可视化

四种模型的pt文件转换成对应的onnx文件后,即可使用netron工具查看。
但是,有些同学可能不方便,使用脚本转换查看。
因此,大白也上传了每个网络结构图的图片,也可以直接点击查看。虽然没有netron工具更直观,但是也可以学习了解

1.2.1 Yolov5s网络结构

Yolov5s网络是Yolov5系列中深度最小,特征图的宽度最小的网络。
后面的3种都是在此基础上不断加深,不断加宽。
上图绘制出的网络结构图也是Yolov5s的结构,大家也可直接点击查看,Yolov5s的网络结构可视化的图片。

1.2.2 Yolov5m网络结构

此处也放上netron打开的Yolov5m网络结构可视图,点击即可查看,后面第二版块会详细说明不同模型的不同点。

1.2.3 Yolov5l网络结构

此处也放上netronx打开的Yolov5l网络结构可视图,点击即可查看

1.2.4 Yolov5x网络结构

此处也放上netronx打开的Yolov5x网络结构可视图,点击即可查看

2 核心基础内容

2.1 Yolov3&Yolov4网络结构图

2.1.1 Yolov3网络结构图

Yolov3网络结构是比较经典的one-stage结构,分为输入端BackboneNeckPrediction四个部分。
大白在之前的《深入浅出Yolo系列之Yolov3&Yolov4核心基础完整讲解》中讲了很多,这里不多说,还是放上绘制的Yolov3网络结构图

在这里插入图片描述

2.1.2 Yolov4网络结构图

Yolov4Yolov3的基础上进行了很多的创新。
比如输入端采用mosaic数据增强,
Backbone上采用了CSPDarknet53、Mish激活函数、Dropblock等方式,
Neck中采用了SPP、FPN+PAN的结构,
输出端则采用CIOU_Loss、DIOU_nms操作。
因此Yolov4Yolov3的各个部分都进行了很多的整合创新,
关于Yolov4如果有不清楚的可以参照大白之前写的《深入浅出Yolo系列之Yolov3&Yolov4核心基础知识完整讲解》,写的比较详细。

在这里插入图片描述

2.2 Yolov5核心基础内容

Yolov5的结构和Yolov4很相似,但也有一些不同,大白还是按照从整体细节的方式,对每个板块进行讲解。
在这里插入图片描述

上图即Yolov5的网络结构图,可以看出,还是分为输入端、Backbone、Neck、Prediction四个部分。
大家可能对Yolov3比较熟悉,因此大白列举它和Yolov3的一些主要的不同点,并和Yolov4进行比较。
(1)输入端Mosaic数据增强、自适应锚框计算
(2)BackboneFocus结构,CSP结构
(3)NeckFPN+PAN结构
(4)PredictionGIOU_Loss

下面丢上Yolov5作者的算法性能测试图:
在这里插入图片描述

Yolov5作者也是在COCO数据集上进行的测试。
大白在之前的文章讲过,COCO数据集的小目标占比
因此最终的四种网络结构,性能上来说各有千秋。
Yolov5s网络最小,速度最少,AP精度也最低。
但如果检测的以大目标为主,追求速度,倒也是个不错的选择。
其他的三种网络,在此基础上,不断加深加宽网络AP精度也不断提升,但速度的消耗也在不断增加

2.2.1 输入端

(1)Mosaic数据增强
Yolov5的输入端采用了和Yolov4一样的Mosaic数据增强的方式。
Mosaic数据增强提出的作者也是来自Yolov5团队的成员,不过,随机缩放随机裁剪随机排布的方式进行拼接,对于小目标的检测效果还是很不错的。
在这里插入图片描述

Mosaic数据增强的内容在之前《深入浅出Yolo系列之Yolov3&Yolov4核心基础知识完整讲解》文章中写的很详细,详情可以查看之前的内容。

(2)自适应锚框计算
Yolo算法中,针对不同的数据集,都会有初始设定长宽的锚框。
在网络训练中,网络在初始锚框的基础上输出预测框,进而和真实框groundtruth进行比对,计算两者差距,再反向更新,迭代网络参数。
因此初始锚框也是比较重要的一部分,比如Yolov5Coco数据集上初始设定的锚框:
在这里插入图片描述

Yolov3、Yolov4中,训练不同的数据集时,计算初始锚框的值是通过单独的程序运行的。
Yolov5中将此功能嵌入到代码中,每次训练时,自适应的计算不同训练集中的最佳锚框值
当然,如果觉得计算的锚框效果不是很好,也可以在代码中将自动计算锚框功能关闭
在这里插入图片描述

控制的代码即train.py中上面一行代码,设置成False,每次训练时,不会自动计算。

(3)自适应图片缩放
在常用的目标检测算法中,不同的图片长宽都不相同,因此常用的方式是将原始图片统一缩放到一个标准尺寸,再送入检测网络中。
比如Yolo算法中常用416×416,608×608等尺寸,比如对下面800*600的图像进行变换。
在这里插入图片描述

Yolov5代码中对此进行了改进,也是Yolov5推理速度能够很快的一个不错的trick
作者认为,在项目实际使用时,很多图片的长宽比不同。
因此缩放填充后,两端的黑边大小都不同,而如果填充的比较多,则存在信息冗余,影响推理速度。
因此在Yolov5代码datasets.py的letterbox函数中进行了修改,对原始图像自适应的添加最少的黑边

在这里插入图片描述

图像高度上两端的黑边变少了,在推理时,计算量也会减少,即目标检测速度会得到提升。
这种方式在之前github上Yolov3中也进行了讨论:https://github.com/ultralytics/yolov3/issues/232
在讨论中,通过这种简单的改进,推理速度得到了37%的提升,可以说效果很明显。
但是有的同学可能会有大大的问号??如何进行计算的呢?
大白按照Yolov5中的思路详细的讲解一下,在datasets.py的letterbox函数中也有详细的代码。

第一步:计算缩放比例

在这里插入图片描述

原始缩放尺寸是416×416,都除以原始图像的尺寸后,可以得到0.52,和0.69两个缩放系数,选择小的缩放系数0.52

第二步:计算缩放后的尺寸

在这里插入图片描述
原始图片的长宽都乘以最小的缩放系数0.52,宽变成了416,而高变成了312

第三步:计算黑边填充数值

在这里插入图片描述

416-312=104,得到原本需要填充的高度。再采用numpy中np.mod取余数的方式,得到8个像素,再除以2,即得到图片高度两端需要填充的数值。
此外,需要注意的是:
a.这里大白填充的是黑色,即(0,0,0),而Yolov5中填充的是灰色,即(114,114,114),都是一样的效果。
b.训练时没有采用缩减黑边的方式,还是采用传统填充的方式,即缩放到416×416大小。
只是在测试,使用模型推理时,才采用缩减黑边的方式,提高目标检测,推理的速度。
c.为什么np.mod函数的后面用32?因为Yolov5的网络经过5次下采样,而2的5次方,等于32。所以至少要去掉32的倍数,再进行取余。

2.2.2 Backbone

(1)Focus结构
在这里插入图片描述

Focus结构,Yolov3&Yolov4中并没有这个结构,其中比较关键是切片操作。
比如右图的切片示意图,4×4×3的图像切片后变成2×2×12的特征图。
Yolov5s的结构为例,原始608×608×3的图像输入Focus结构,采用切片操作,先变成304×304×12的特征图,再经过一次32个卷积核的卷积操作,最终变成304×304×32的特征图。
需要注意的是:Yolov5s的Focus结构最后使用了32个卷积核,而其他三种结构,使用的数量有所增加,先注意下,后面会讲解到四种结构的不同点。

(2)CSP结构
Yolov4网络结构中,借鉴了CSPNet的设计思路,在主干网络中设计了CSP结构。

在这里插入图片描述

Yolov5Yolov4不同点在于,Yolov4中只有主干网络使用了CSP结构,Yolov5中设计了两种CSP结构,Yolov5s网络为例,以CSP1_X结构应用于Backbone主干网络,另一种CSP2_X结构则应用于Neck中

在这里插入图片描述

这里关于CSPNet的内容,也可以查看大白之前的《深入浅出Yolo系列之Yolov3&Yolov4核心基础知识完整讲解》

2.2.3 Neck

Yolov5现在的NeckYolov4中一样,都采用FPN+PAN的结构,但在Yolov5刚出来时,只使用了FPN结构,后面才增加了PAN结构,此外网络中其他部分也进行了调整。
因此,大白在Yolov5刚提出时,画的很多结构图又都重新进行了调整
在这里插入图片描述

这里关于FPN+PAN的结构,大白在《深入浅出Yolo之Yolov3&Yolov4核心基础知识完整讲解》中,讲的很多,大家应该都有理解。
但如上面CSPNet中讲到,Yolov5Yolov4的不同点在于,Yolov4Neck中,采用的都是普通的卷积操作。
Yolov5Neck结构中,采用借鉴CSPNet设计的CSP2结构加强网络特征融合的能力

在这里插入图片描述

2.2.4 输出端

(1)Bounding box损失函数
《深入浅出Yolo系列之Yolov3&Yolov4核心基础完整讲解》中,大白详细的讲解了IOU_Loss,以及进化版的GIOU_LossDIOU_Loss,以及CIOU_Loss
Yolov5中采用其中的CIOU_LossBounding box损失函数
在这里插入图片描述

Yolov4中也采用CIOU_Loss作为目标Bounding box的损失函数。

在这里插入图片描述

(2)nms非极大值抑制
在目标检测的后处理过程中,针对很多目标框的筛选,通常需要nms操作
Yolov4DIOU_Loss的基础上采用DIOU_nms的方式,而Yolov5中仍然采用加权nms的方式。
可以看出,采用DIOU_nms,下方中间箭头的黄色部分,原本被遮挡的摩托车也可以检出。

在这里插入图片描述

大白在项目中,也采用了DIOU_nms的方式,在同样的参数情况下,将nmsIOU修改成DIOU_nms。对于一些遮挡重叠的目标,确实会有一些改进
比如下面黄色箭头部分,原本两个人重叠的部分,在参数和普通的IOU_nms一致的情况下,修改成DIOU_nms,可以将两个目标检出
虽然大多数状态下效果差不多,但在不增加计算成本的情况下,有稍微的改进也是好的。

在这里插入图片描述

2.3 Yolov5四种网络结构的不同点

Yolov5代码中的四种网络,和之前的Yolov3Yolov4中的cfg文件不同,都是以yaml的形式来呈现。
而且四个文件的内容基本上都是一样的,只有最上方的depth_multiplewidth_multiple两个参数不同,很多同学看的一脸懵逼,不知道只通过两个参数是如何控制四种结构的

2.3.1 四种结构的参数

大白先取出Yolov5代码中,每个网络结构的两个参数:

(1)Yolov5s.yaml
在这里插入图片描述

(2)Yolov5m.yaml
在这里插入图片描述

(3)Yolov5l.yaml
在这里插入图片描述

(4)Yolov5x.yaml
在这里插入图片描述

四种结构就是通过上面的两个参数,来进行控制网络的深度和宽度。其中depth_multiple控制网络的深度width_multiple控制网络的宽度

2.3.2 Yolov5网络结构

四种结构的yaml文件中,下方的网络架构代码都是一样的。
为了便于讲解,大白将其中的Backbon部分提取出来,讲解如何控制网络的宽度和深度yaml文件中的Head部分也是同样的原理。

在这里插入图片描述

在对网络结构进行解析时,yolo.py中下方的这一行代码将四种结构的depth_multiplewidth_multiple提取出,赋值给gdgw。后面主要对这gdgw这两个参数进行讲解。
在这里插入图片描述

下面再细致的剖析下,看是如何控制每种结构,深度和宽度的

2.3.3 Yolov5四种网络的深度

在这里插入图片描述

(1)不同网络的深度
在上图中,大白画了两种CSP结构CSP1CSP2,其中CSP1结构主要应用于Backbone中,CSP2结构主要应用于Neck中。
需要注意的是,四种网络结构中每个CSP结构的深度都是不同的
a. Yolov5s为例,第一个CSP1中,使用了1个残差组件,因此是CSP1_1
而在Yolov5m中,则增加了网络的深度,在第一个CSP1中,使用了2个残差组件,因此是CSP1_2
Yolov5l中,同样的位置,则使用了3个残差组件Yolov5x中,使用了4个残差组件。
其余的第二个CSP1和第三个CSP1也是同样的原理。
b. 在第二种CSP2结构中也是同样的方式,以第一个CSP2结构为例。
Yolov5s组件中使用了2×X=2×1=2个卷积,因为X=1,所以使用了1组卷积,因此是CSP2_1
Yolov5m中使用了2组,Yolov5l中使用了3组Yolov5x中使用了4组。其他的四个CSP2结构,也是同理。
Yolov5中,网络的不断加深,也在不断增加网络特征提取特征融合的能力。
(2)控制深度的代码
控制四种网络结构的核心代码是yolo.py中下面的代码,存在两个变量,ngd
我们再将ngd带入计算,看每种网络的变化结果。

在这里插入图片描述

(3)验证控制深度的有效性
我们选择最小的yolov5s.yaml和中间的yolov5l.yaml两个网络结构,将gd(height_multiple)系数带入,看是否正确。

在这里插入图片描述

a. yolov5s.yaml
其中depth_multiple=0.33,即gd=0.33,而n则由上面红色框中的信息获得。
以上面网络框图中的第一个CSP1为例,即上面的第一个红色框。n等于第二个数值3
gd=0.33,带入(2)中的计算代码,结果n=1。因此第一个CSP1结构内只有1个残差组件,即CSP1_1
第二个CSP1结构中,n等于第二个数值9,而gd=0.33,带入(2)中计算,结果n=3,因此第二个CSP1结构中有3个残差组件,即CSP1_3
第三个CSP1结构也是同理,这里不多说。
b. yolov5l.xml
其中depth_multiple=1,即gd=1
和上面的计算方式相同,第一个CSP1结构中,n=3,带入代码中,结果n=3,因此为CSP1_3
下面第二个CSP1结构和第三个CSP1结构都是同样的原理。

2.3.4 Yolov5四种网络的宽度

在这里插入图片描述
(1)不同网络的宽度
上图表格中所示,四种Yolov5结构不同阶段的卷积核的数量都是不一样的。
因此也直接影响卷积后特征图第三维度,即厚度,大白这里表示为网络的宽度
a. Yolov5s结构为例,第一个Focus结构中,最后卷积操作时,卷积核的数量是32个,因此经过Focus结构,特征图的大小变成304×304×32
Yolov5mFocus结构中的卷积操作使用了48个卷积核,因此Focus结构后的特征图变成304×304×48Yolov5lYolov5x也是同样的原理。
b. 第二个卷积操作时,Yolov5s使用了64个卷积核,因此得到的特征图是152×152×64。而Yolov5m使用96个特征图,因此得到的特征图是152×152×96Yolov5lYolov5x也是同理。
c. 后面三个卷积下采样操作也是同样的原理,这样大白不过多讲解。
四种不同结构的卷积核的数量不同,这也直接影响网络中比如CSP1结构CSP2等结构,以及各个普通卷积,卷积操作时的卷积核数量也同步在调整,影响整体网络的计算量
大家最好可以将结构图和前面第一部分四个网络的特征图链接,对应查看,思路会更加清晰
当然卷积核的数量越多,特征图的厚度,即宽度越宽,网络提取特征的学习能力也越强
(2)控制宽度的代码
Yolov5的代码中,控制宽度的核心代码是yolo.py文件里面的这一行:
在这里插入图片描述

它所调用的子函数make_divisible的功能是:
在这里插入图片描述

(3)验证控制宽度的有效性
我们还是选择最小的Yolov5s和中间的Yolov5l两个网络结构,将width_multiple系数带入,看是否正确。
在这里插入图片描述

a. yolov5s.yaml
其中width_multiple=0.5,即gw=0.5

在这里插入图片描述

第一个卷积下采样为例,即Focus结构中下面的卷积操作。
按照上面Backbone的信息,我们知道Focus中,标准的c2=64,而gw=0.5,代入(2)中的计算公式,最后的结果=32。即Yolov5sFocus结构中,卷积下采样操作的卷积核数量为32个
再计算后面的第二个卷积下采样操作,标准c2的值=128gw=0.5,代入(2)中公式,最后的结果=64,也是正确的。
b. yolov5l.yaml
其中width_multiple=1,即gw=1,而标准的c2=64,代入上面(2)的计算公式中,可以得到Yolov5lFocus结构中,卷积下采样操作的卷积核的数量为64个,而第二个卷积下采样的卷积核数量是128个
另外的三个卷积下采样操作,以及Yolov5mYolov5x结构也是同样的计算方式,大白这里不过多解释。

3 Yolov5相关论文及代码

3.1 代码

Yolov5的作者并没有发表论文,因此只能从代码角度进行分析。
Yolov5代码:https://github.com/ultralytics/yolov5
大家可以根据网页的说明,下载训练,及测试,流程还是比较简单的。

3.2 相关论文

另外一篇论文,PP-Yolo,在Yolov3的原理上,采用了很多的tricks调参方式,也挺有意思。
感兴趣的话可以参照另一个博主的文章:点击查看

4 小目标分割检测

目标检测发展很快,但对于小目标的检测还是有一定的瓶颈,特别是大分辨率图像小目标检测。比如7920×2160,甚至16000×16000像素的图像。

在这里插入图片描述

图像的分辨率很大,但又有很多小的目标需要检测。但是如果直接输入检测网络,比如Yolov3检出效果并不好
主要原因是:
(1)小目标尺寸
以网络的输入608×608为例,Yolov3Yolov4Yolov5中下采样都使用了5次,因此最后的特征图大小是19×1938×3876×76
三个特征图中,最大的76×76负责检测小目标,而对应到608×608上,每格特征图的感受野608/76=8×8大小。

在这里插入图片描述

再将608×608对应到7680×2160上,以最长边7680为例,7680/608×8=101
即如果原始图像中目标的宽或高小于101像素,网络很难学习到目标的特征信息。
(PS:这里忽略多尺度训练的因素及增加网络检测分支的情况)
(2)高分辨率
而在很多遥感图像中,长宽比的分辨率比7680×2160更大,比如上面的16000×16000
如果采用直接输入原图的方式,很多小目标都无法检测出。
(3)显卡爆炸
很多图像分辨率很大,如果简单的进行下采样,下采样的倍数太大,容易丢失数据信息。
但是倍数太小,网络前向传播需要在内存中保存大量的特征图,极大耗尽GPU资源,很容易发生显卡爆炸显存爆炸,无法正常的训练及推理。
因此可以借鉴2018年YOLT算法的方式,改变一下思维,对大分辨率图片先进行分割,变成一张张小图,再进行检测
需要注意的是:
为了避免两张小图之间,一些目标正好被分割截断,所以两个小图之间设置overlap重叠区域,比如分割的小图是960×960像素大小,则overlap可以设置为960×20%=192像素

在这里插入图片描述

每个小图检测完成后,再将所有的框放到大图上,对大图整体做一次nms操作,将重叠区域的很多重复框去除。
这样操作,可以将很多小目标检出,比如16000×16000像素的遥感图像。

注意:这里关于小图检测后,放到大图上的方法,发现评论中,很多的同学可能想的过于复杂了,采用的方式,其实按照在大图上裁剪的位置,直接回归到大图即可。

此外,国内还有一个10亿像素图像目标检测的比赛,也是用的这样的方式,大白将其中一个讲解不错的视频,也放到这个,大家可以点击查看
在这里插入图片描述

无人机视角下,也有很多小的目标。大白也进行了测试,效果还是不错的。
比如下图是将原始大图->416×416大小,直接使用目标检测网络输出的效果:

在这里插入图片描述

可以看到中间黄色框区域,很多汽车检测漏掉。
再使用分割的方式,将大图先分割成小图,再对每个小图检测,可以看出中间区域很多的汽车都被检测出来:

在这里插入图片描述

不过这样的方式有中间黄色框区域优点也有中间黄色框区域缺点:
优点
(1) 准确性
分割后的小图,再输入目标检测网络中,对于最小目标像素的下限大大降低
比如分割成608×608大小,送入输入图像大小608×608的网络中,按照上面的计算方式,原始图片上,长宽大于8个像素的小目标都可以学习到特征。
(2)检测方式
在大分辨率图像,比如遥感图像,或者无人机图像,如果无需考虑实时性的检测,且对小目标检测也有需求的项目,可以尝试此种方式。
缺点:
(1) 增加计算量
比如原本7680×2160的图像,如果使用直接大图检测的方式,一次即可检测完。
但采用分割的方式,切分成N张608×608大小的图像,再进行N次检测,会大大增加检测时间。
借鉴Yolov5的四种网络方式,我们可以采用尽量轻的网络,比如Yolov5s网络结构或者更轻的网络。
当然Yolov4Yolov5的网络各有优势,我们也可以借鉴Yolov5的设计方式,对Yolov4进行轻量化改造,或者进行剪枝

5 Yolox核心基础完整讲解

旷视科技发布的Yolox有很多干货,可以查看大白的另一篇Yolox文章,《深入浅出Yolo系列之Yolox核心基础完整讲解》。

6 后语

综合而言,在实际测试中,Yolov4的准确性有不错的优势,但Yolov5的多种网络结构使用起来更加灵活,我们可以根据不同的项目需求,取长补短,发挥不同检测网络的优势。

此外,Yolox的改进trick中,也有很多值得借鉴的地方。

希望在人工智能的道路上,和大家共同进步

在这里插入图片描述

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/125704.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)
blank

相关推荐

  • DeepLink的实现原理「建议收藏」

    DeepLink的实现原理「建议收藏」前言之前我们又是看源码又是研究动画,今天分享一个比较简单的技术点:DeepLink。DeepLink,深度链接技术,主要应用场景是通过Web页面直接调用Android原生app,并且把需要的参数通过Uri的形式,直接传递给app,节省用户的注册成本。简单的介绍DeepLink概念之后,我们看一个实际的例子:朋友通过京东分享给我一个购物链接:于是我通过微信打开了这条链接:…

  • CentOS搭建Ghost博客

    CentOS搭建Ghost博客

  • lnmp动静分离[通俗易懂]

    lnmp动静分离[通俗易懂]试验环境:ip服务概括192.168.1.61mysql,nginx,php,博客分离mysql,php到其他服务器192.168.1.62mysql代替1.61的mysql192.168.1.63php代替1.61的php思路:将1.61中的mysql,php,分离到其他服务器,分离后能够正常访问到1.61上的博客即可。一.分离MySQL数据库到1.621.在1.62服务器安装mysql[root@mysqld~]#rpm-ivhhtt

  • 下载scrapy失败_手机安装包无法安装怎么办

    下载scrapy失败_手机安装包无法安装怎么办Scrapy安装有问题的,按照这个路径配置下anaconda的环境变量然后进入pycharm里的工作目录输入pipinstall-ihttps://pypi.tuna.tsinghua.edu.cn/simplescrapy安装完成后在cmd中输入scrapy,显示下图内容则证明安装成功:…

  • Verilog实现MIPS的5级流水线cpu设计(Modelsim仿真)[通俗易懂]

    Verilog实现MIPS的5级流水线cpu设计(Modelsim仿真)[通俗易懂]Verilog实现IMPS的5级流水线cpu设计本篇文章是在功能上实现cpu设计,而非结构上实现。结构上实现可以跳转到(此为个人推荐):Verilog流水线CPU设计(超详细)此外有与本文章配套的资源,文章中不懂的地方可以跳转到:IMPS五级流水线cpu的制作一、实验内容1.1:实验目的(1)CPU各主要功能部件的实现(2)CPU的封装(3)了解提高CPU性能的方法(4)掌…

  • 解决iframe参数过长无法加载问题小记

    解决iframe参数过长无法加载问题小记项目中用到了iframe,传参的时候使用的src属性,默认采用的get方式,此种方式在参数较长的时候就会报错(404无法找到资源),为了解决这种情况,改为采用post方式提交。解决方法:结合form表单,利用表单的post请求方式达到目的。实现方式 增加一个form表单的标签,method设置为post,target设置一个标识,假如target=”target1” 在iframe设置na…

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号