yolov5小目标检测-提高检测小目标的检测精度
目前基于目标检测方面,近些年基于深度学习的人神经网络产生了很多经典且高效的网络结构。其中不乏有凯明大神的Fast-RCNN、Faster-RCNN家族系列检测网络结构;还有号称you only look once的YOLO系列。
本次分享的就是最近刚刚发布的基于企业开发需要而产生的yolov5(因为相关论文还没有发表,所以本文不过分讲解其中原理,可自行了解;只对具体的实现操作和部署进行分享)。以下会详细介绍yolov5的下载安装和使用技巧以及如何使用自己的数据集进行小目标的检测工作。具体yolov5的一些细节问题包括网络结构的讲解、大家可以看我下面这个链接的博客,其中也添加了一些小目标检测的相关知识,有兴趣可以了解一下。
(219条消息) 清晰、幽默、轻松地深入理解YOLOv5网络结构和一些细节(查阅无数资料文献总结)_Hack Hui的博客-CSDN博客
一、YOLOv5的下载
github 链接 https://github.com/ultralytics/yolov5
下载之后按照其中的README.md文件进行配置和设置。
二、YOLOv5数据集的设置
对yolov5/data/buy.yaml文件进行配置
其中 1:yours数据集的根目录
2:代表生成yolo要求的txt文件
3: 你需要识别的类别数
4: 你识别类别的名称
三、小目标检测的难点
当前的检测算法对于小物体并不友好,体现在以下4个方面:
- 过大的下采样率:假设当前小物体尺寸为15×15,一般的物体检测中卷积下采样率为16,这样在特征图上,过大的下采样率使得小物体连一个像素点都占据不到。
- 过大的感受野:在卷积网络中,特征图上特征点的感受野比下采样率大很多,导致在特征图上的一个点中,小物体占据的特征更少,会包含大量周围区域的特征,从而影响其检测结果。
- 语义与空间的矛盾:当前检测算法,如Faster RCNN,其Backbone大都是自上到下的方式,深层与浅层特征图在语义性与空间性上没有做到更好的均衡。
- SSD一阶算法缺乏特征融合:SSD虽然使用了多层特征图,但浅层的特征图语义信息不足,没有进行特征的融合,致使小物体检测的结果较差。
四、提高小目标检测的基本思想
1、数据加强 2、滑动窗口检测:将图片分割为n个小区域分别检测,最后在concat成正常图像大小。本文也是主要介绍这种思想。
五、相关代码
# parameters
nc: 2 # number of classes
depth_multiple: 1.0 # model depth multiple
width_multiple: 1.0 # layer channel multiple# anchors
anchors:- [5,6, 8,14, 15,11] #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 backbone
backbone:# [from, number, module, args][[-1, 1, Focus, [64, 3]], # 0-P1/2[-1, 1, Conv, [128, 3, 2]], # 1-P2/4[-1, 3, BottleneckCSP, [128]], #160*160[-1, 1, Conv, [256, 3, 2]], # 3-P3/8[-1, 9, BottleneckCSP, [256]], #80*80[-1, 1, Conv, [512, 3, 2]], # 5-P4/16[-1, 9, BottleneckCSP, [512]], #40*40[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32[-1, 1, SPP, [1024, [5, 9, 13]]],[-1, 3, BottleneckCSP, [1024, False]], # 9 20*20]# YOLOv5 head
head:[[-1, 1, Conv, [512, 1, 1]], #20*20[-1, 1, nn.Upsample, [None, 2, 'nearest']], #40*40[[-1, 6], 1, Concat, [1]], # cat backbone P4 40*40[-1, 3, BottleneckCSP, [512, False]], # 13 40*40[-1, 1, Conv, [512, 1, 1]], #40*40[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 4], 1, Concat, [1]], # cat backbone P3 80*80[-1, 3, BottleneckCSP, [512, False]], # 17 (P3/8-small) 80*80[-1, 1, Conv, [256, 1, 1]], #18 80*80[-1, 1, nn.Upsample, [None, 2, 'nearest']], #19 160*160[[-1, 2], 1, Concat, [1]], #20 cat backbone p2 160*160[-1, 3, BottleneckCSP, [256, False]], #21 160*160[-1, 1, Conv, [256, 3, 2]], #22 80*80[[-1, 18], 1, Concat, [1]], #23 80*80[-1, 3, BottleneckCSP, [256, False]], #24 80*80[-1, 1, Conv, [256, 3, 2]], #25 40*40[[-1, 14], 1, Concat, [1]], # 26 cat head P4 40*40[-1, 3, BottleneckCSP, [512, False]], # 27 (P4/16-medium) 40*40[-1, 1, Conv, [512, 3, 2]], #28 20*20[[-1, 10], 1, Concat, [1]], #29 cat head P5 #20*20[-1, 3, BottleneckCSP, [1024, False]], # 30 (P5/32-large) 20*20[[21, 24, 27, 30], 1, Detect, [nc, anchors]], # Detect(p2, P3, P4, P5)]
只需要对yolo下的yaml文件进行如上的配置,就可以大大地提高小目标监测的精度,但是处理时间可能会有所上升。好了,本文介绍到此结束,感兴趣的小伙伴给个点赞关注再走吧,欢迎下方评论区咨询各种问题!!!
yolov5小目标检测-提高检测小目标的检测精度相关推荐
- YOLOv8/YOLOv7/YOLOv5系列算法改进【NO.6】增加小目标检测层,提高对小目标的检测效果
前 言:作为当前先进的深度学习目标检测算法YOLO,已经集合了大量的trick,但是在处理一些复杂检测问题的时候,还是容易出现错漏检的问题.此后的系列文章,将重点对YOLOv8.YOLOv7以及YOL ...
- 如何提升小目标的检测效果
参考如何提升小目标的检测效果 - 云+社区 - 腾讯云 小目标检测在人脸检测领域还是目标检测领域都是难题,如何解决小目标问题成为研究者研究的热点.思路只要分为两方面:多尺度特征和超分 1.改进骨干网络 ...
- 小目标的检测算法PGan
这两篇论文都是对小目标检测进行改进的算法,AZ-NET是一篇2016年的CVPR论文,而PGAN则是2017CVPR的一篇论文,二者之间采用了不同的方法,在本文中将对二者主要采用的方法进行介绍并对二者 ...
- YOLOv5 小目标检测、无人机视角小目标检测
1.简述 近年随着无人机的快速发展,通用无人机已广泛应用于摄影.农业.监控等多个领域.这里举个例子,比如我们要监控城市主干道的交通情况,就可以通过无人机传回画面来实时监控.我们可以通过人工智能技术来分 ...
- YOLOv5小目标检测(方法与评价)
问题: 当我们在对小目标数据集进行检测时,发现无论如何都有一些漏检的,其中我们也添加一些模块,以及其他的一些改进方法,如注意力.激活函数等等,结果始终不会令人满意,map也没有丝毫的提升. 目的: 增 ...
- Yolov5小目标检测【一】
1 增加小目标检测层 需要修改yolov5的模型文件yaml就可以增加小目标检测层,但是在增加检测层后,带来的问题就是计算量增加,导致推理检测速度降低.不过对于小目标,确实有很好的改善. # para ...
- 简单粗暴提升yolov5小目标检测能力
论文地址:https://arxiv.org/abs/2208.03641 代码地址:GitHub - LabSAINT/SPD-Conv: Code for ECML PKDD 2022 paper ...
- 基于Transformer的YOLOv5小目标检测器 | 四头加注意力
- 小目标检测模型总结+SNIP+SNIPER
小目标检测 在MS COCO数据集中,对于面积小于32*32的物体,MS COCO就认为它是小物体,在评测时,会对这个范围内的物体计算APsmall. 在行人库CityPerson中,原图大小为102 ...
最新文章
- linux下使用binfmt_misc设定不同二进制的打开程序
- Windows 技术篇-设置dns提升网速,刷新dns缓存
- C++其他进制转十进制
- prometheus监控耗时MySQL_Grafana+Prometheus监控mysql性能
- java中的几种泛型类——HashSet、HashMap、TreeSet、TreeMap,遍历map,排序,HashTable比较
- import time python_似乎不能在Python的同一脚本中使用import time和import datetime
- 八周二次课(5月14日)
- PHP面向对象的魔术方法
- 将ubuntu安装在用剩下的硬盘改装成的移动硬盘时遇到的问题及解决办法
- 1.2 Filters
- axios 上传文件 封装_axios 封装【满足常规数据上传及file上传】
- 并行开发 4.同步机制(上)
- 内网通修改积分文件_【页游逆向】4399小游戏积分系统分析及修改积分
- Fedora 9 NFS配置
- 【刘润五分钟商学院】156对对抗思考到平行思考
- 生成PDF并上传到图片服务器
- 外币记账及重估总账余额表变化(下)
- opcode php 缓存,PHP Opcode 缓存
- 团伙分类:有一份数据部分如下,比如:刘备和关羽有关系,说明他们是一个团伙
- 计算机桌面图片怎么设置大小,怎么设置桌面壁纸大小
热门文章
- [JS 分析] 邮箱地址加密 [email protected]
- 鸿蒙系统延期,华为P50Pro搭载鸿蒙系统正式亮相:3+1全新四摄,推迟到秋季发布...
- 机器学习笔记(VII)线性模型(III)对数几率回归和极大似然估计
- java毕设分享 奖学金评定管理系统
- 企业级低代码服务编排库 - Commander
- 解读应用弹窗推送新规定
- 最长上升子序列练习总结
- Bigger is Better
- CentOS release 6.10 (Final) 修改IP地址
- 2020祥云杯网络安全大赛 MISC Writeup