基于YOLOv5+SE注意力+SPD模块的海星检测识别分析系统-Toy模板网

这篇具有很好参考价值的文章主要介绍了基于YOLOv5+SE注意力+SPD模块的海星检测识别分析系统。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

在很多的项目实战中验证分析注意力机制的加入对于模型最终性能的提升发挥着积极正向的作用，在我之前的一些文章里面也做过了一些尝试，这里主要是想基于轻量级的s系列模型来开发构建海底小目标生物海星检测系统，在模型中加入SE注意力模块，以期在轻量化的基础上进一步提升模型的检测性能。考虑到海底数据存在目标清晰度低且海星属于小目标对象，这里专门加入了Spd-Conv模块，进一步提升低分辨率图像和小目标对象检测性能，首先来看下效果图：

这里的检测对象同样只有一类：starfish（海星）。

融合改进后的模型yaml文件如下所示：

#Parameters
nc: 1                           # number of classes
depth_multiple: 0.33            # model depth multiple
width_multiple: 0.50            # layer channel multiple
anchors:
  - [10,13, 16,30, 33,23]       # P3/8
  - [30,61, 62,45, 59,119]      # P4/16
  - [116,90, 156,198, 373,326]  # P5/32


#Backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Focus, [64, 3]],         # 0-P1/2
   [-1, 1, Conv, [128, 3, 1]],      # 1
   [-1,1,SPD,[1]],                  # 2 -P2/4
   [-1, 3, C3, [128]],              # 3
   [-1, 1, Conv, [256, 3, 1]],      # 4
   [-1,1,SPD,[1]],                  # 5 -P3/8
   [-1, 6, C3, [256]],              # 6
   [-1, 1, Conv, [512, 3, 1]],      # 7-P4/16
   [-1,1,SPD,[1]],                  # 8 -P4/16
   [-1, 9, C3, [512]],              # 9
   [-1, 1, Conv, [1024, 3, 1]],     # 10-P5/32
   [-1,1,SPD,[1]],                  # 11 -P5/32
   [-1, 3, C3, [1024]],             # 12
   [-1, 1, SPPF, [1024, 5]],        # 13
  ]


#Head
head:
  [[-1, 1, Conv, [512, 1, 1]],                 #14
   [-1, 1, nn.Upsample, [None, 2, 'nearest']], #15
   [[-1, 6], 1, Concat, [1]],                  #16
   [-1, 3, C3, [512, False]],                  #17

   [-1, 1, Conv, [256, 1, 1]],                 #18
   [-1, 1, nn.Upsample, [None, 2, 'nearest']], #19
   [[-1, 4], 1, Concat, [1]],                  #20
   [-1, 3, C3, [256, False]],                  #21

   [-1, 1, Conv, [256, 3, 2]],                 #22
   [[-1, 14], 1, Concat, [1]],                 #23
   [-1, 3, C3, [512, False]],                  #24

   [-1, 1, Conv, [512, 3, 2]],                 #25
   [[-1, 10], 1, Concat, [1]],                 #26
   [-1, 3, C3, [1024, False]],                 #27
   [-1, 1, SE, [1024]],                        #28

   [[21, 24, 28], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

首先在Backbone部分加入了Spd-Conv模块，提升低分辨率图像和小目标对象特征提取能力：

之后在Head部分加入SE模块，提升特征融合能力，同时同步修改Detect头索引号，如下：

接下来看下数据情况：

YOLO格式标注数据如下：

实例标注数据如下：

0 0.466406 0.102083 0.046875 0.084722
0 0.666406 0.302083 0.126875 0.084562
0 0.356406 0.242083 0.124685 0.567674

VOC格式标注数据如下：

实例标注数据如下：

<annotation>
    <folder>starfish</folder>
    <filename>0a9ccf08-0e04-4f7b-84d0-d38e93c3a953.jpg</filename>
    <source>
        <database>The starfish Database</database>
        <annotation>starfish</annotation>
        <image>starfish</image>
    </source>
    <owner>
        <name>YSHC</name>
    </owner>    
    <size>
        <width>1280</width>
        <height>720</height>
        <depth>3</depth>
    </size>
    <segmented>0</segmented>
    
    <object>        
        <name>starfish</name>
        <pose>Unspecified</pose>
        <truncated>0</truncated>
        <difficult>0</difficult>
        <bndbox>
            <xmin>671</xmin>
            <ymin>651</ymin>
            <xmax>772</xmax>
            <ymax>718</ymax>
        </bndbox>
    </object>
    
</annotation>

默认训练执行100次epoch，日志输出如下：