【Yolov5】Yolov5添加检测层，四层结构对小目标、密集场景更友好(yolov5tiny)

编辑：rootadmin

【Yolov5】Yolov5添加检测层，四层结构对小目标、密集场景更友好 🚀🚀🚀Yolov5增加检测层🚀🚀🚀前言

推荐整理分享【Yolov5】Yolov5添加检测层，四层结构对小目标、密集场景更友好(yolov5tiny)，希望有所帮助，仅作参考，欢迎阅读内容。

文章相关热门搜索词:yolov5使用,yolov5使用,yolov5 ciou,yolov5s,yolov5m,yolov5m,yolov5m,yolov5怎么用,内容如对您有帮助，希望把文章链接给更多的朋友！

Yolov5的检测速度与精度较为平衡，但是原算法对于小目标的检测效果不佳，根据一些论文，我们可以通过增加检测层来提高对小目标的特征提取能力，增加算法在密集场景下的表现。

文章目录前言一、网络结构说明二、网络配置三、使用效果一、网络结构说明

Yolov5原网络结构如下：增加一层检测层后，网络结构如下：（其中虚线表示删除的部分，细线表示增加的数据流动方向）

二、网络配置

【Yolov5】Yolov5添加检测层，四层结构对小目标、密集场景更友好(yolov5tiny)

第一步，在models文件夹下面创建yolov5s-add-one-layer.yaml文件。

第二步，将下面的内容粘贴到新创建的文件中。

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# Parametersnc: 2 # number of classesdepth_multiple: 0.33 # model depth multiplewidth_multiple: 0.50 # layer channel multipleanchors: - [4,5, 8,10, 22,18] # P2/4 - [10,13, 16,30, 33,23] # P3/8 - [30,61, 62,45, 59,119] # P4/16 - [116,90, 156,198, 373,326] # P5/32# YOLOv5 v6.0 backbonebackbone: # [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 headhead: [[-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 # add feature extration layer [-1, 3, C3, [256, False]], # 17 [-1, 1, Conv, [128, 1, 1]], [-1, 1, nn.Upsample, [None, 2, 'nearest']], [[-1, 2], 1, Concat, [1]], # cat backbone P3 # add detect layer [-1, 3, C3, [128, False]], # 21 (P4/4-minium) [-1, 1, Conv, [128, 3, 2]], [[-1, 18], 1, Concat, [1]], # cat head P3 # end [-1, 3, C3, [256, False]], # 24 (P3/8-small) [-1, 1, Conv, [256, 3, 2]], [[-1, 14], 1, Concat, [1]], # cat head P4 [-1, 3, C3, [512, False]], # 27 (P4/16-medium) [-1, 1, Conv, [512, 3, 2]], [[-1, 10], 1, Concat, [1]], # cat head P5 [-1, 3, C3, [1024, False]], # 30 (P5/32-large) [[21, 24, 27, 30], 1, Detect, [nc, anchors]], # Detect(P2, P3, P4, P5) ]

第三步，在终端中输入命令：python models/yolo.py --cfg=yolov5s-add-one-layer.yaml，按下Enter键运行后看到下面的效果到这里就配置完成，可以进行训练了。

三、使用效果

我们看看添加一个层次后效果如何

原图原网络推理新网络推理

这里作者分别使用 yolov5s.yaml 与yolov5s-add-one-layer.yaml网络训练120轮，然后分别使用他们的best.pt模型进行推理。可以看到添加一层后，相对于原模型多检测出了三个口罩，而且对于原网络中检测错的人脸，其分类概率也更加正确了（图中是没有人脸的，所以概率越低越好）

最后，如果觉得本文对你有帮助，不妨动动小手点个赞，你的三连是作者更新的最大动力😊🌹

本文链接地址:https://www.jiuchutong.com/zhishi/298336.html 转载请保留说明！

上一篇：前端开发调式必备技能F12开发者工具之Elements（元素）面板，详细图解带流程【第一部分】(前端开发配置)

下一篇：[YOLOv7/YOLOv5系列算法改进NO.7]损失函数改进(yolov5s)