YOLOv5小目标检测(方法与评价)

这篇具有很好参考价值的文章主要介绍了YOLOv5小目标检测(方法与评价)。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。

问题:

当我们在对小目标数据集进行检测时,发现无论如何都有一些漏检的,其中我们也添加一些模块,以及其他的一些改进方法,如注意力、激活函数等等,结果始终不会令人满意,map也没有丝毫的提升。

目的:

增加对小目标的检测能力,不能产生漏检!

自述:

许多关于小目标的资料,包括知网上的一些期刊,真的是无力吐槽,可能他们也只是提供方法,而不考虑结果吧,虽然注意力机制个别情况确实有效,但这种几率太低太低(陨石撞地球)。

还有一些增加小目标检测层来提高检测能力的文章,这种提高的可能只有50%(基本没用),map只会直线下降。

提高map只能靠不断尝试,不是在网上随便拷个检测层就能提高的,需要在固定的层数添加,大部分跟着其他博主的博客进行操作,都不会有提升的,不是自己数据集的问题,而是自己的添加层有问题,如果只想靠一个注意力和检测层就提高map的话,那基本就是痴心妄想了,不要被一些博主的几句话封固自己的想法,实践是检验真理的唯一标准。

下面放几张我的小目标检测图片:

yolov5小目标检测,YOLOv5,目标检测,深度学习,人工智能yolov5小目标检测,YOLOv5,目标检测,深度学习,人工智能

 yolov5小目标检测,YOLOv5,目标检测,深度学习,人工智能yolov5小目标检测,YOLOv5,目标检测,深度学习,人工智能

 yolov5小目标检测,YOLOv5,目标检测,深度学习,人工智能yolov5小目标检测,YOLOv5,目标检测,深度学习,人工智能yolov5小目标检测,YOLOv5,目标检测,深度学习,人工智能yolov5小目标检测,YOLOv5,目标检测,深度学习,人工智能

方法:

达到工业级别的检测能力与精度,需要不断地进行迭代更新与完善;而不是说我训练个模型,map达到了99%以上就能满足工业检测需求(例如知网上的很多论文....),map高并不代表检测能力好,反而他的泛化能力差,并且工业检测也不看map值

最简单直接的方法就是从数据集下手,并且先考虑这种方法不用担心之后的检测能力出现大的失误,并且还有可能会被检测环境所影响。可以考虑数据集的类别数量不要过多,否则导致误检率的提高,每种类别的图片数量差距不要太大,否则也会产生过拟合的现象;如果误检情况比较严重,可以添加少量的负样本;在保持每种类别数量较为平均的状态下,可能扩充一下数据集,增强一下学习能力,这都是比较有效的提升方法。

结束:

如果是要写论文,或许可以多尝试一下改动检测层,注意力的话不要浪费太多时间;工业的检测讲究速度与精度,在这方面还是有很多可以尝试的改进点,欢迎一起交流。文章来源地址https://www.toymoban.com/news/detail-613275.html

到了这里,关于YOLOv5小目标检测(方法与评价)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 目标检测YOLO实战应用案例100讲-基于深度学习的航拍图像YOLOv5目标检测(论文篇)(续)

    目录 基础理论及相关技术  2.1 深度学习基础理论 

    2024年04月16日
    浏览(48)
  • 【计算机视觉面经四】基于深度学习的目标检测算法面试必备(RCNN~YOLOv5)

    目标检测算法主要包括:【两阶段】目标检测算法、【多阶段】目标检测算法、【单阶段】目标检测算法。 什么是两阶段目标检测算法,与单阶段目标检测有什么区别? 两阶段目标检测算法因需要进行两阶段的处理:1)候选区域的获取,2)候选区域分类和回归,也称为基于

    2024年03月27日
    浏览(58)
  • 基于深度学习的高精度野生目标检测识别系统(PyTorch+Pyside6+YOLOv5模型)

    摘要:基于深度学习的高精度野生目标检测识别系统可用于日常生活中检测与定位野生目标目标,利用深度学习算法可实现图片、视频、摄像头等方式的野生目标目标检测识别,另外支持结果可视化与图片或视频检测结果的导出。本系统采用YOLOv5目标检测模型训练数据集,使

    2024年02月07日
    浏览(55)
  • 基于深度学习的高精度鸟类目标检测识别系统(PyTorch+Pyside6+YOLOv5模型)

    摘要:基于深度学习的高精度鸟类目标(鹦鹉(Crested Myna)、麻雀(Eurasian Tree Sparrow)、黑头文鸟(Chestnut Munia)、白领翡翠(Collared Kingfisher)、太阳鸟(Garden Sunbird))检测识别系统可用于日常生活中或野外来检测与定位鸟类目标目标,利用深度学习算法可实现图片、视频

    2024年02月12日
    浏览(56)
  • 基于深度学习的高精度80类动物目标检测系统(PyTorch+Pyside6+YOLOv5模型)

    摘要:基于深度学习的高精度80类动物目标检测识别系统可用于日常生活中或野外来检测与定位80类动物目标,利用深度学习算法可实现图片、视频、摄像头等方式的80类动物目标检测识别,另外支持结果可视化与图片或视频检测结果的导出。本系统采用YOLOv5目标检测模型训练

    2024年02月16日
    浏览(46)
  • 基于深度学习的高精度线路板瑕疵目标检测系统(PyTorch+Pyside6+YOLOv5模型)

    摘要:基于深度学习的高精度线路板瑕疵目标检测系统可用于日常生活中来检测与定位线路板瑕疵目标,利用深度学习算法可实现图片、视频、摄像头等方式的线路板瑕疵目标检测识别,另外支持结果可视化与图片或视频检测结果的导出。本系统采用YOLOv5目标检测模型训练数

    2024年02月16日
    浏览(53)
  • YOLOv5目标检测实验

    最近在用YOLOv5跑一些目标检测的东西,这是自己日常学习的一些总结!后期会继续更新!有问题也欢迎批评指正!如果雷同请见谅! 创建数据集是在detect.py里面的create_dataloader,并在主函数里面调用 yolov5在计算资源的调用上采用了torch.nn.parallel.DistributedDataParallel(DDP,多张显卡

    2024年02月07日
    浏览(40)
  • YOLOv5实现目标检测

    YOLOv5 🚀 是COCO数据集上预处理的一系列对象检测架构和模型,代表Ultralytics对未来视觉人工智能方法的开源研究,融合了数千小时研究和开发过程中积累的经验教训和最佳实践。 本文用来记录第一次使用 YOLOv5实现: 视频目标检测 摄像头目标检测 博主所使用的环境是win10 +

    2024年02月09日
    浏览(38)
  • 基于深度学习的高精度农作物机器与行人目标检测系统(PyTorch+Pyside6+YOLOv5模型)

    摘要:基于深度学习的高精度农作物机器与行人目标检测系统可用于日常生活中或野外来检测与定位农作物机器与行人目标,利用深度学习算法可实现图片、视频、摄像头等方式的农作物机器与行人目标检测识别,另外支持结果可视化与图片或视频检测结果的导出。本系统采

    2024年02月16日
    浏览(56)
  • 【目标检测】yolov5模型详解

    yolov5于2020年由glenn-jocher首次提出,直至今日yolov5仍然在不断进行升级迭代。 Yolov5有YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四个版本。文件中,这几个模型的结构基本一样,不同的是depth_multiple模型深度和width_multiple模型宽度这两个参数。 yolov5主要分为以下几部分: Input:输入 Backbone:

    2024年02月07日
    浏览(47)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包