yolo5的改进策略，详细说明介绍
需积分: 0 152 浏览量
2024-01-06
13:51:39
上传
评论 1
收藏 426KB PDF 举报
yolo5的改进策略
⽬录
yolo5代码测试请查看：
YOLO V5的作者并没有发表论⽂,对yolo5分析只能从源码进⾏分析；相⽐于yolo4，yolo5在原理性⽅法没有太多改进，
但是在速度与模型⼤⼩上⽐yolo4有较⼤提升，可以认为是通过模型裁剪后的⼯程化应⽤（即推理速度和准确率增加、模型尺⼨减⼩）。
从以下⼏个⽅⾯说明yolo5的改进之处：
Data Augmentation
Auto Learning Bounding Box Anchors
Backbone
Neck
Head
Network Architecture
Activation Function
Optimization Function
Benchmarks
1、、Data Augmentation
YOLO V4使⽤了多种数据增强技术的组合，对于单⼀图⽚，使⽤了⼏何畸变，光照畸图像，遮挡(Random Erase，Cutout，Hide and
Seek，Grid Mask ，MixUp)技术，对于多图组合，作者混合使⽤了CutMix与Mosaic 技术。除此之外，作者还使⽤了Self-Adversarial
Training (SAT)来进⾏数据增强。
YOLOV5会通过数据加载器传递每⼀批训练数据，并同时增强训练数据。数据加载器进⾏三种数据增强：缩放，⾊彩空间调整和马赛克增
强。据悉YOLO V5的作者Glen Jocher正是Mosaic Augmentation的创造者，故认为YOLO V4性能巨⼤提升很⼤程度是马赛克数据增强
的功劳，也许你不服，但他在YOLO V4出来后的仅仅两个⽉便推出YOLO V5，不可否认的是马赛克数据增强确实能有效解决模型训练中
最头疼的“⼩对象问题”，即⼩对象不如⼤对象那样准确地被检测到。
2、、Auto Learning Bounding Box Anchors-⾃适应锚定框⾃适应锚定框
yolo3中的锚框是预先利⽤kmeans定义好的，yolo4沿⽤了yolo3；
yolo5锚定框是基于训练数据⾃动学习的。个⼈认为算不上是创新点，只是⼿动改代码改为⾃动运⾏。
对于COCO数据集来说，YOLO V5 的配置⽂件*.yaml 中已经预设了640×640图像⼤⼩下锚定框的尺⼨：
# anchors
anchors:
- [116,90, 156,198, 373,326] # P5/32
- [30,61, 62,45, 59,119] # P4/16
- [10,13, 16,30, 33,23] # P3/8
对于⾃定义数据集来说，由于⽬标识别框架往往需要缩放原始图⽚尺⼨，并且数据集中⽬标对象的⼤⼩可能也与COCO数据集不同，因此
YOLO V5会重新⾃动学习锚定框的尺⼨。
3、、Backbone-跨阶段局部⽹络跨阶段局部⽹络(CSP，，)
YOLO V5和V4都使⽤CSPDarknet作为Backbone从输⼊图像中提取丰富的信息特征。CSPNet解决了其他⼤型卷积神经⽹络框架
Backbone中⽹络优化的梯度信息重复问题，具体做法是：将梯度的变化从头到尾地集成到特征图中，减少了模型的参数量和FLOPS数值，
既保证了推理速度和准确率，⼜减⼩了模型尺⼨。
资源评论
