1. yolov5網(wǎng)絡(luò)架構(gòu)與組件

1.1 網(wǎng)絡(luò)可視化工具 netron

在線版本:瀏覽器中輸入鏈接: https://lutzroeder.github.io/netron/
netron官方的Github鏈接:https://github.com/lutzroeder/netron

1.2 不同模型的配置

1.3 Focus 模塊

一個小實驗：

Focus()模塊是為減少錯誤和提高速度而設(shè)計的，而不是提高精度。

1.4 CSPNet 跨階段局部網(wǎng)絡(luò)

1.5 SPP 空間金字塔池化

在CSP上添加SPP塊，因為它顯著地增加了接收字段，分離出了最重要的內(nèi)容，幾乎沒有降低網(wǎng)絡(luò)的操作速度。

1.6 PANet 路徑聚合網(wǎng)絡(luò)

2. 損失函數(shù)

2.1 類別預(yù)測

2.2 邊界框回歸

2.3 回顧IoU

2.4 IoU推廣——GIoU loss

C 框是包圍A、B的最小的框

2.5 IoU推廣——DIoU loss

藍(lán)色為對角線，兩框中心點的距離為d

在IoU和GIoU一樣的情況下，DIoU還有變化。

2.6 IoU推廣——CIoU loss

優(yōu)化的偏導(dǎo)數(shù)

2.7 總結(jié)

還有CIoU等等，大家感興趣可以自己了解。

DIoU波動穩(wěn)定，對不同值的適應(yīng)能力比較強(qiáng)；實驗比較G&C：CIoU的表現(xiàn)比較好,YOLOv5默認(rèn)用CIoU計算Loss

3. YOLOv5目標(biāo)框回歸與跨網(wǎng)格預(yù)測策略

3.1 回顧：目標(biāo)框PASCAL VOC標(biāo)注格式

左上角為坐標(biāo)原點

3.2 標(biāo)記文件

圖右框住的部分可以看出，框的寬高等做了歸一化；兩種標(biāo)記文件是可以轉(zhuǎn)換的

一個例子

3.3 目標(biāo)框回歸

藍(lán)色是預(yù)測框，虛線是先驗框（anchor）

兩個模型的計算方式出現(xiàn)了改變；原始的yolo / darknet框方程式存在嚴(yán)重缺陷。寬度和高度完全不受限制，它可能導(dǎo)致失控的梯度、不穩(wěn)定、NaN損失并最終完全失去訓(xùn)練。

對于yolov5，確保通過sigmoid所有模型輸出來修補此錯誤，同時還要確保中心點保持不變1=fcn (0) ,因此模型的標(biāo)稱零輸出將導(dǎo)致使用標(biāo)稱錨框大?。搭A(yù)先設(shè)置的錨框）。當(dāng)前的方程式將錨點的倍數(shù)從最小0限制為最大4（這個地方的解釋：sigmoid函數(shù)取值[0,1]，因此其平方乘以2 的取值范圍就是[0,4]），并且錨框-目標(biāo)匹配也已更新為基于寬度-高度倍數(shù)，標(biāo)稱上限閾值超參數(shù)為4.0。

3.4 YOLOv5跨網(wǎng)格匹配策略

4. YOLOv5 訓(xùn)練技巧

4.1 訓(xùn)練預(yù)熱warmup

剛開始訓(xùn)練時，模型的權(quán)重(weights)是隨機(jī)初始化的，此時若選擇一個較大的學(xué)習(xí)率，可能帶來模型的不穩(wěn)定（振蕩)。選擇warmup預(yù)熱學(xué)習(xí)率的方式，可以使得開始訓(xùn)練的幾個epoches或者一些steps內(nèi)學(xué)習(xí)率較小，在預(yù)熱的小學(xué)習(xí)率下，模型可以慢慢趨于穩(wěn)定，等模型相對穩(wěn)定后再選擇預(yù)先設(shè)置的學(xué)習(xí)率進(jìn)行訓(xùn)練，使得模型收斂速度變得更快，模型效果更佳。

[外鏈圖片轉(zhuǎn)存失敗,源站可能有防盜鏈機(jī)制,建議將圖片保存下來直接上傳(img-XNOeFks2-1681870777889)(C:/Users/dell/AppData/Roaming/Typora/typora-user-images/image-20230411134042225.png)]

0-30個epoches的warmup，學(xué)習(xí)率從很小增加很快，第三張圖是不同的預(yù)熱策略。

例子：余弦退火調(diào)整學(xué)習(xí)率。

4.2 自動計算錨框

Anchor給出了目標(biāo)寬高的初始值，需要回歸的是目標(biāo)真實寬高與初始寬高的偏移量，而不使用anchor的做法需要回歸寬高的絕對量。
Autoanchor only runs when the best possible recall (BPR，最大可能召回率) is under threshold；在yolov5中，BPR小于98%就會自動計算錨框。

也可以自己禁用這一功能，自動計算的錨框信息會保存在模型的權(quán)重文件中。

4.3 超參數(shù)進(jìn)化

在yolov5中采用類似GA遺傳算法來進(jìn)行優(yōu)化，但yolov5無交配這一操作。

4.4 自動混合精度訓(xùn)練

如何使用呢？

4.5 斷點續(xù)訓(xùn) !!!

4.6 多GPU訓(xùn)練

推薦的模式：

4.7 并行數(shù)據(jù)加載

多線程加載數(shù)據(jù)從而加快速度，最下面的是并行流水線加載

DDP模式

可以在github上看詳細(xì)命令和介紹 點擊跳轉(zhuǎn)文章來源地址http://www.zghlxwxcb.cn/news/detail-421442.html

到了這里，關(guān)于計算機(jī)視覺——yolov5回歸與跨網(wǎng)格預(yù)測、訓(xùn)練技巧（下篇）的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！