Press "Enter" to skip to content

【目标检测】目标检测界的扛把子YOLOv5(原理详解+修炼指南)

文章目录

 

1.YOLO输入端

 

 

1.1 Mosaic数据增强

 

Yolov5的输入端采用了和Yolov4一样的Mosaic数据增强的方式。

 

Mosaic数据增强提出的作者也是来自Yolov5团队的成员,不过,随机缩放、随机裁剪、随机排布的方式进行拼接,对于小目标的检测效果还是很不错的。

4张图片拼接
随机缩放
随机裁剪
随机排布

算法优点:

丰富数据集
减少GPU计算

1.2 自适应锚框计算

 

在Yolo算法中,针对不同的数据集,都会有初始设定长宽的锚框。

 

在网络训练中,网络在初始锚框的基础上输出预测框,进而和真实框groundtruth进行比对,计算两者差距,再反向更新,迭代网络参数。

 

Step1:读取训练集中所有图片的w、h以及检测框的w、h

 

Step2:将读取的坐标修正为绝对坐标

 

Step3:使用Kmeans算法对训练集中所有的检测框进行聚类,得到k个anchors

 

Step4:通过遗传算法对得到的anchors进行变异,如果变异后效果好将其保留,否则跳过

 

Step5:将最终得到的最优anchors按照面积返回

 

1.3 自适应图片缩放

 

在常用的目标检测算法中,不同的图片长宽都不相同,因此常用的方式是将原始图片统一缩放到一个标准尺寸,再送入检测网络中。

 

letterbox自适应图片缩放技术尽量保持高宽比,缺的用灰边补齐达到固定的尺寸。

 

2.YOLO总体架构图

 

 

2.1 BackBone

 

主要进行特征提取,将图像中的物体信息通过卷积网络进行提取,用于后面目标检测。

 

2.1.1 Focus模块

 

Focus层原理和PassThrough层很类似。它采用切片操作把高分辨率的图片拆分成多个低分辨率的图片/特征图,即隔列采样+拼接。

 

2.1.2 SPP模块

 

空间金字塔池化,能将任意大小的特征图转换成固定大小的特征向量。

 

2.1.3 CSP_X模块

 

backbone是较深的网络,增加残差结构可以增加层与层之间反向传播的梯度值,避免因为加深而带来的梯度消失,从而可以提取到更细粒度的特征并且不用担心网络退化。

 

2.2 Neck

 

对特征进行混合与组合,增强网络的鲁棒性,加强物体检测能力,并且将这些特征传递给Head层进行预测。

 

2.2.1 FPN

 

 

2.2.2 PAN

 

 

2.3 YOLO输出端

 

主要进行最终的预测输出。

 

2.3.1 Bounding Box损失函数

 

真实检测框和模型预测输出框的吻合程度,用于反向传播优化模型。

 

2.3.2 NMS非极大值抑制

 

判断相邻网格识别的是否是同一物体,消除掉多余检测框。

 

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注