位置: IT常识 - 正文
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😊🌹
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)
友情链接: 武汉网站建设