1 前言
2 致谢
3 YOLO模型列表
4 模型结构
- 2.1 Backbone
- - Focus——网格下采样
  - CSPDarknet53
- 2.3 Neck —— SPP & PAN
- - SPP：特征融合
  - PAN：自顶向下的特征融合
5 后处理算法
- 2.1 NMS Screening——DIoU-NMS
6 调试笔记
- 3.1 测试ScaledYOLOv4是否配置成功
- - 3.1.1 PyCharm连接Docker出现“cannot connect to the docker daemon at Unix…”
- 3.2 YOLOv5的调试笔记

1 前言

现在最强的YOLO系列算法是YOLOv5x6-TTA, boxAP: 55.0；

2 致谢

感谢DarrenZhang的分享——《Yolov4/v5的创新点汇总！》

3 YOLO模型列表

yolov5x – yolov5x.yaml
YOLOv5中参数量最多的模型，在图像张量输入主干网络之前使用了Focus模块；

4 模型结构

2.1 Backbone

Focus——网格下采样

关于Focus模块的解析请参考《yolov5中的Focus模块的理解》
备注：

在实际使用中发现会增大显存消耗，根据作者说明“Focus() module is designed for FLOPS reduction and speed increase, not mAP increase.”，对最终结果似乎没有提升，所以暂时没有使用；
之前是想用来增大batch-size，发现会增大显存消耗，然后就暂时停用了；

CSPDarknet53

首先，我们来看看CSPDarknet53网络的整体结构图，

2.3 Neck —— SPP & PAN

SPP：特征融合

我们先来看看Scaled-YOLOv4对SPP的结构设置：

其中，pool_rates=[5, 9, 13]；
这里我们可以看看感受野的比例，已知pool_rate=5:9:13pool\_rate = 5:9:13pool_rate=5:9:13，则pool_area=25:81:169pool\_area = 25:81:169pool_area=25:81:169；
则有
pool_area[1:2]=25:81=1:3.24pool\_area[1:2] = 25:81=1:3.24pool_area[1:2]=25:81=1:3.24
pool_area[2:3]=81:169≈1:2.09pool\_area[2:3] = 81:169\approx1:2.09pool_area[2:3]=81:169≈1:2.09
基本上扩大的比例都在2以上；

PAN：自顶向下的特征融合

PAN在YOLOv4的论文中首次提出，也被用于YOLOv5中（YOLOv5x6-TTA, boxAP: 55.0）；
首先，我们来直观的感受以下PAN的结构如图所示

可以看到是在使用了FPN之后的一种上采样操作；

5 后处理算法

Scaled-YOLOv4论文中没有具体给出NMS设置的描述，于是我们参考了YOLOv4中的设置，使用了DIoU-NMS；
还可以看看Scaled-YOLOv4的代码来确认一下

2.1 NMS Screening——DIoU-NMS

YOLOv4使用了DIoU-NMS作为后处理的方法；

6 调试笔记

Scaled-YOLOv4的repo代码实际上是基于U版YOLO的框架来实现的，也是基于PyTorch函数库；

3.1 测试ScaledYOLOv4是否配置成功

这里我们可以一个我们依据U版YOLO生成的测试数据集coco128：
百度网盘链接：https://pan.baidu.com/s/1tHFUASikGDLQnzhLEFAKxA
提取码：sbal

# download yolov4-csp.weights and put it in /yolo/weights/ folder.
python test.py --img 640 --conf 0.001 --batch 8 --device 0 --data coco.yaml --cfg models/yolov4-csp.cfg --weights weights/yolov4-csp.weights

3.1.1 PyCharm连接Docker出现“cannot connect to the docker daemon at Unix…”

这里在使用PyCharm连接Docker时出现错误“cannot connect to the docker daemon at Unix…”，其主要原因是在运行docker命令时需要root权限，所以这里我们还需要根据Docker官方文档进行“Post-installation steps for Linux”的操作，其
主要目的就是：当前登录Ubuntu用户在使用docker命令是前面不需要加上sudo命令；
具体的设置方式请参考Docker官方文档《Manage Docker as a non-root user》；

3.2 YOLOv5的调试笔记

请参考博文《目标检测——YOLOv5的学习笔记》；

目标检测——YOLO系列算法（YOLOv4、YOLOv5）的学习笔记相关推荐

目标检测 YOLO系列算法
文章目录 1. YOLO算法 1.1 Yolo算法思想 1.2 Yolo的网络结构 1.2.1 网络输入 1.2.2 网络输出 1.7X7网格 2x30维向量 1.3 Yolo模型的训练 1.3.1训 ...
目标检测YOLO系列算法的进化史
本文中将简单总结YOLO的发展历史,YOLO是计算机视觉领域中著名的模型之一,与其他的分类方法,例如R-CNN不同,R-CNN将检测结果分为两部分求解:物体类别(分类问题),物体位置即bounding ...
目标检测YOLO系列------YOLO简介
目标检测YOLO系列------YOLO简介 1.为什么会出现YOLO算法 2.YOLO算法会逐渐成为目标检测的主流吗 YOLO以及各种变体已经广泛应用于目标检测算法所涉及到的方方面面,为了梳 ...
目标检测——YOLO系列（一网打尽）
YOLO系列算法 1. 基本概念 2. 目标检测算法分类及流程 2.1 算法分类 2.2 基本流程 2.3 Two-stage与One-stage基本流程比较 3. YOLO系列目标检测模型 3.1 ...
目标检测 | YOLO系列超全讲解v1，v2，v3
前言一.YOLOv1 1. 网络结构 2. 实现方法 3. 损失函数 4. 缺点二.YOLOv2 1. 网络结构 2. 改进方法 3. YOLO9000 4. 网络训练细节三.YOLOv3 1. ...
目标检测yolo系列
出自科技猛兽知乎专栏,地址:科技猛兽目标检测专栏前言本文目的是用尽量浅显易懂的语言让零基础小白能够理解什么是YOLO系列模型,以及他们的设计思想和改进思路分别是什么.我不会把YOLO的论文给你用软 ...
目标检测 YOLO 系列模型
前言 YOLO (You Only Look Once) 系列模型追求实时目标检测,因此会在一定程度上牺牲精度,以实现更高的检测速度. 如果你对这篇文章感兴趣,可以点击「[访客必读 - 指引页]一文囊 ...
目标检测YOLO系列总结
目标检测目标检测一.YOLO系列 YOLOv1: YOLOV2 Darknet-19 Batch Normalization Anchor Dimension Clusters Direct lo ...
目标检测—SSD系列算法原理介绍
一.SSD系列算法原理介绍 1.1 SSD算法介绍: ➢Single Shot MultiBox Detector (one-stage方法) ●Wei Liu在EC ...

目标检测——YOLO系列算法（YOLOv4、YOLOv5）的学习笔记

目录