相關(guān)文章

• 

  YOLOv5（v6.1）解析（四）超參數(shù)進化

  本文對YOLOv5項目的超參數(shù)算法進行詳細闡述，筆者以后會定期講解關(guān)于模型的其他的模塊與相關(guān)技術(shù)，筆者也建立了一個關(guān)于目標(biāo)檢測的交流群：781334731，歡迎大家踴躍加入，一起學(xué)習(xí)鴨！ 源碼地址：https://github.com/ultralytics/yolov5 打開網(wǎng)址后，點擊master可選取不同版本的分支

  2024年02月09日

  瀏覽(23)
• 

  YOLOv5源碼中的參數(shù)超詳細解析（2）— 配置文件yolov5s.yaml（包括源碼+網(wǎng)絡(luò)結(jié)構(gòu)圖）

  前言： Hello大家好，我是小哥談。 配置文件yolov5s.yaml在YOLOv5模型訓(xùn)練過程中發(fā)揮著至關(guān)重要的作用，屬于初學(xué)者必知必會的文件！在YOLOv5-6.0版本源碼中，配置了5種不同大小的網(wǎng)絡(luò)模型，分別是YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，其中YOLOv5n是網(wǎng)絡(luò)深度和寬度最小但檢測速度

  2024年02月08日

  瀏覽(29)

• 【YOLOv5-6.x】模型參數(shù)量param及計算量FLOPs解析

  評價一個用深度學(xué)習(xí)框架搭建的神經(jīng)網(wǎng)絡(luò)模型，除了精確度（比如目標(biāo)檢測中常用的map）指標(biāo)之外，模型復(fù)雜度也必須要考慮，通常用正向推理的計算量(FLOPs)和參數(shù)個數(shù)(Parameters)來描述模型的復(fù)雜度。 ? 參數(shù)量 有參數(shù)的層主要包括： 卷積層 全連接層 BN層 Embedding層 少數(shù)激活

  2024年02月04日

  瀏覽(31)
• 

  Yolov5——評估指標(biāo)

  IoU也稱為交并比，評價邊界框正確性的度量指標(biāo)，表示detection box（檢測框）與ground truth（真實標(biāo)簽）的交集和并集的比值。 計算公式 所有預(yù)測為正樣本的結(jié)果中，預(yù)測正確的比率。 對于多目標(biāo)檢測任務(wù)，TP（true positive）表示預(yù)測出的正確的框，但問題是我們?nèi)绾闻袛噙@個框

  2024年02月04日

  瀏覽(23)
• 

  yoloV5（二）目標(biāo)檢測中常見指標(biāo)

  ??????? 對于我們訓(xùn)練處的模型的泛化性能進行評估，不僅需要有效可行的實驗估計方法，還需要有衡量模型泛化能力的評價標(biāo)準(zhǔn)，這就是性能度量(performance measure). ???????性能度量反映了任務(wù)需求，在對比不同模型的能力時，使用不同的性能度量往往會導(dǎo)致不同的評判

  2024年02月05日

  瀏覽(26)
• 

  單階段目標(biāo)檢測：YOLOv5中的指標(biāo)計算

  個人覺得，單目標(biāo)檢測相比分割復(fù)雜的地方主要在于（1）樣本分配策略（2）預(yù)測結(jié)果后處理以及指標(biāo)計算。這次記錄一下指標(biāo)計算，下次有時間記錄一下目標(biāo)檢測中的樣本分配策略。 本文以YOLOv5 7.0的val代碼為例子，解析單階段目標(biāo)檢測是怎么計算指標(biāo)的。這里只展示核心代

  2024年02月05日

  瀏覽(19)
• 

  基于YOLOv5n/s/m不同參數(shù)量級模型開發(fā)構(gòu)建茶葉嫩芽檢測識別模型，使用pruning剪枝技術(shù)來對模型進行輕量化處理，探索不同剪枝水平下模型性能影響

  今天有點時間就想著之前遺留的一個問題正好拿過來做一下看看，主要的目的就是想要對訓(xùn)練好的目標(biāo)檢測模型進行剪枝處理，這里就以茶葉嫩芽檢測數(shù)據(jù)場景為例了，在我前面的博文中已經(jīng)有過相關(guān)的實踐介紹了，感興趣的話可以自行移步閱讀即可： 《融合CBAM注意力機制

  2024年02月12日

  瀏覽(20)
• 

  基于YOLOv5n/s/m不同參數(shù)量級模型開發(fā)構(gòu)建茶葉嫩芽檢測識別模型，使用pruning剪枝技術(shù)來對模型進行輕量化處理，探索不同剪枝水平下模型性能影響【續(xù)】

  這里主要是前一篇博文的后續(xù)內(nèi)容，簡單回顧一下：本文選取了n/s/m三款不同量級的模型來依次構(gòu)建訓(xùn)練模型，所有的參數(shù)保持同樣的設(shè)置，之后探索在不同剪枝處理操作下的性能影響。 在上一篇博文中保持30的剪枝程度得到的效果還是比較理想的。這里進行的是分別進行6

  2024年02月12日

  瀏覽(21)

• YOLOv5獲得大中小目標(biāo)的AP和AR指標(biāo)（自制數(shù)據(jù)集）

  本文簡要介紹YOLOv5如何調(diào)用pycocotools得到 大中小目標(biāo)的AP和AR指標(biāo) ，評價自制數(shù)據(jù)集。 代碼版本-----YOLOv5_6.0版本。 數(shù)據(jù)集----Seaships7000數(shù)據(jù)集，共包含6類7000張船舶圖片，其中測試集1400張。 模型-----自制模型。 話不多說，運行示例： 主要參考了以下三個案例，并根據(jù)Seaships數(shù)

  2024年02月01日

  瀏覽(54)
• 

  目標(biāo)檢測 YOLOv5 - 如何提高模型的指標(biāo)，提高精確率，召回率，mAP等

  flyfish 文中包括了YOLOv5作者分享的提高模型指標(biāo)小技巧和吳恩達（Andrew Ng）在做缺陷檢測項目（ steel sheets for defects）時遇到的需要提高模型指標(biāo)的問題是如何解決的。 大多數(shù)情況下，只要數(shù)據(jù)集足夠大且良好標(biāo)注(provided your dataset is sufficiently large and well labelled)，就可以在不更

  2024年02月05日

  瀏覽(68)