首页IT科技yolov5检测(【Yolov5】Yolov5添加检测层,四层结构对小目标、密集场景更友好)

yolov5检测(【Yolov5】Yolov5添加检测层,四层结构对小目标、密集场景更友好)

时间2025-05-05 14:51:18分类IT科技浏览3609
导读:前言 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。...

前言

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 # Parameters nc: 2 # number of classes depth_multiple: 0.33 # model depth multiple width_multiple: 0.50 # layer channel multiple anchors: - [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 backbone backbone: # [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 head head: [[-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😊🌹

声明:本站所有文章     ,如无特殊说明或标注                 ,均为本站原创发布           。任何个人或组织           ,在未征得本站同意时     ,禁止复制     、盗用                 、采集           、发布本站内容到任何网站、书籍等各类媒体平台     。如若本站内容侵犯了原著者的合法权益                 ,可联系我们进行处理                 。

创心域SEO版权声明:以上内容作者已申请原创保护,未经允许不得转载,侵权必究!授权事宜、对本内容有异议或投诉,敬请联系网站管理员,我们将尽快回复您,谢谢合作!

展开全文READ MORE
ES6 class类实现继承实例详解