YOLO拓展-BN（批归一化）

于 2025-04-18 10:47:24 发布
阅读量175 收藏
点赞数 2
CC 4.0 BY-SA版权
分类专栏： YOLO 文章标签： 算法 YOLO
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/m0_75208179/article/details/147322968

        批归一化解决的问题是：面临网络层较深的神经网络时，会导致上层梯度较大，下层梯度较小。这一现象就导致了上层梯度对下层的特征变化极敏感，会导致上层频频重新学习，神经网络收敛速度太慢。

批量归一化

​    把数据分布特征不统一的数据特征，统一按层归一化为符合（0，1）的正态分布

​    B代表mini-batch（特征样本量），μ B 代表均值，σ B 代表方差，ϵ 是一个很小的数（用于调节方差不为0）。

x i是我们的小批量中的某个输入，减去均值再处以方差得到输出。μ B 和σ B 是根据批量算出来的。这里的γ和β是机器可以学习的参数

YOLOv5训练参数之同步批量归一化
浩瀚之水的专栏
02-25 434
YOLOv5中的同步批量归一化（SyncBatchNorm）是在多GPU训练场景下使用的一种技术，旨在解决不同GPU之间Batch Normalization（BN）层参数不同步的问题。
目标检测YOLO实战应用案例100讲-基于轻量化神经网络的目标检测算法研究与应用（续）
qq_36130719的博客
04-16 385
本文主要研究内容是轻量化神经网络的目标检测算法，所有研究工作都是基于关键点的目标检测框架和神经网络轻量化方法完成。为了后续更好的阐述本文所提出的方法和对实验的分析，在详细介绍本文的工作内容之前，本章节先对本文涉及到的相关理论知识和关键技术做出简要概述。目标检测技术通常指在一张图片中检测出各个物体的位置及对应的类别，即解决的是定位(Localization)和识别(Recognition)的问题，因此一般采用多任务联合学习的方式，通常由两个分支组成。
YOLO系列基础（四）从归一化层（BN层）到CBS模块
千天夜的博客
11-12 1842
在我们实际讲解BN层操作之前，我们需要对BatchSize进行一个说明，BatchSize就是模型在单次训练的时候同时训练的图片数量，batchsize = 2 意味着单次训练2张图片，就这么简单。BacthSize主要是为了加速模型拟合、减少模型过拟合、缓解loss跳变引入的。并非本文重点，我们下篇再详解此部分。
yolo坐标归一化
qq_38428735的博客
11-25 7704
像素坐标转yolo 输入左上角、右下角坐标和图像宽、高 ：xmin, ymin, xmax, ymax, img_w, img_h 输出归一化后yolo坐标格式 ：中心点坐标，宽、高：x, y, w1, h1 def coordinates2yolo(xmin,ymin,xmax,ymax,img_w,img_h): # 保留6位小数 x = round((xmin+xmax)/(2.0*img_w),6) y = round((ymin+y...
【YOLO系列】 YOLOv4之BN、CBN、CmBN(附代码)
江湖小Jay的博客
01-31 2190
在文中，作者针对BN在小批量的问题，利用多个最近迭代的样本的来提高数据估计的质量，但是由于在迭代过程中网络权重不断变化，来自不同迭代的网络激活不能相互比较，因此作者提出一种基于泰勒多项式的技术来补偿迭代之间网络权值变化，从而有效利用之前迭代的样本来改进批量归一化，这种方法就是交叉迭代的批量归一化（CBN）。说简单点，CBN就是一种通过补偿迭代之间网络权值的变化而有效的利用之前的迭代样本来改进批量归一化的方法。
不同检测模型预处理中的归一化操作对比 | YOLO 系列 | 【归一化操作归纳整理】
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
08-11 2130
不同【检测模型】预处理中的归一化操作对比 # 如下归一化的模型有： yolov2 const float mean_vals[3] = {1.0f, 1.0f, 1.0f}; const float norm_vals[3] = {0.007843f, 0.007843f, 0.007843f}; yolov3 const float mean_vals[3] = {127.5f, 127.5f, 127.5f}; const float norm_vals[.
目标检测YOLO实战应用案例100讲-基于YOLO模型的遥感影像 飞机目标检测技术研究（中）
qq_36130719的博客
04-19 682
和空间注意力模块（Spatial Attention Module，SAM) [48]，分别可以在通道和空间维度上分别进行算法注意力的改进，使用便捷，不会产生很大的计算量开销，可以和原有的卷。算法在SSD中增加了反卷积层，训练后得到的高层特征图包含的目标细节信息更多，这使网络能更加关注目标特征信息，减少了背景信息对检测结果的影响，提高了算法。交集为两个框重合部分，并集为两个框的总覆盖面积。息的这种情况，可以使用剪枝的操作手段，对模型进行处理，来删除收益过低的一些计 算成本，有助于实现更紧凑的模型表示。
目标检测YOLO实战应用案例100讲-基于深度学习的无人机目标检测算法轻量化研究（中）
qq_36130719的博客
04-26 926
针对无人机图像背景复杂、分辨率高、目标尺度差异大等特点，基于实时性 和准确性均衡的单阶段目标检测算法YOLOv5，本章提出了一种实时目标检测算 法YOLOv5sm+，力图解决其深度宽度不均衡、分类精度、实时性不足等问题。 首先为解决无人机图像目标尺度差异大、小目标检测率低的问题，分析了深度模 型中模型深度和宽度对无人机图像检测的性能增益，提出了可显著提高感受野的 混合残差空洞卷积模块，并结合无人机图像特点对YOLOv5s模型针对性改进， 设计了YOLOv5sm模型。其次为进一步优化改进模型的实时性与识别率，
目标检测YOLO实战应用案例100讲-基于深度学习目标检测的白细胞分类技术研究（续）
qq_36130719的博客
04-27 366
对于目标检测框架来说，两级模型在准确率方面性能更佳，但网络架构较为 复杂，检测速度较慢；单级模型更为轻量，可以结合小型化便携式设备实现实时 检测。本文拟采用两级模型中基于ResNet50和Inceptionv2骨干的Faster-RCNN 网络以及单级模型中的Yolov4和MobileNetv2-SSD网络在构建好的BCCD数据 集上进行训练和测试，并对它们的整体性能进行评估和对比。 Faster-RCNN摒弃了传统的选择性搜索和滑动窗口算法，将区域提案网络 （Region Proposal Netwo
目标检测YOLO实战应用案例100讲-基于YOLO模型的遥感影像 飞机目标检测技术研究（下）
qq_36130719的博客
04-24 339
干网络中，虽然提取的特征中语义信息较少，但有较多形状和位置信息，增加CA模块后，在空间和通道维度对目标特征信息进行融合，使特征信息进一步丰富。卷积核，提升网络的空间利用效率，既维持了从通道维度设计的效率，又通过空间维度的设计提升了检测效能，即使在不同空间位置上不共享权重也不会引起参数量和计算量的显。息进行编码，并且可获得目标邻域内的其他特征信息，而骨干网络中的浅层特征图包含有较多的目标位置信息，CA模块的作用可充分发挥。表中，TP为真正样本，FP为假正样本，FN是假负样本，TN是真负样本。
机器学习-03. 梯度下降和过拟合和归一化（上）
07-15
人工智能基础视频教程零基础入门课程 第三章（上） 人工智能基础视频教程零基础入门课程，不需要编程基础即可学习，共15章，由于整体课程内容太大，无法一次传输，分章节上传。 第一章 人工智能开发及远景介绍（预科） 第二章 线性回归深入和代码实现 第三章 梯度下降和过拟合和归一化 第四章 逻辑回归详解和应用 第五章 分类器项目案例和神经网络算法 第六章 多分类、决策树分类、随机森林分类 第七章 分类评估、聚类 第八章 密度聚类、谱聚类 第九章 深度学习、TensorFlow安装和实现 第十章 TensorFlow深入、TensorBoard 十一章 DNN深度神经网络手写图片识别 十二章 TensorBoard可视化 十三章 卷积神经网络、CNN识别图片 十四章 卷积神经网络深入、AlexNet模型 十五章 Keras深度学习框架
【深度学习经典任务】目标检测 YOLOv2解析 | 批归一化 锚 主干网
专注于人工智能的算法与应用
10-04 631
YOLOv2的改进。
【YOLOv5 Note-2】预归一化（Pre-Normalization）策略
qq_60245590的博客
01-23 920
【代码】【DeepLearning-2】预归一化（Pre-Normalization）策略。
yolov5标注格式归一化
moonlightpeng的博客
04-26 3477
用labelimg标注的yolov5的txt是归一化的，也就是如果图片是1280*960时你标注 将图片变化1200*900或940*480等你期望的大小时标签并不会变化。 可以通过修改标签的名字和变换后图片同名在labelimg中打开验证。 ...
【YOLO3代码详解系列03】批归一化层
小陈说CV的博客
05-23 665
文章目录1 batchnorm_layer.h2 batchnorm_layer.c 1 batchnorm_layer.h #ifndef BATCHNORM_LAYER_H #define BATCHNORM_LAYER_H #include "image.h" #include "layer.h" #include "network.h" // 构造BN层 layer make_batchnorm_layer(int batch, int w, int h, int c); // BN层前向
NCNN验证YOLOV4模型输入数据归一化系数
tugouxp的专栏
12-14 3342
NCNN环境的搭建请参考： 腾讯神经网络推理框架NCNN试玩儿_tugouxp的专栏-优快云博客 NCNN转换YOLO4网络并推理_tugouxp的专栏-优快云博客 YOLOV4 darknet环境搭建请参考 Ubuntu18.04 搭建YOLOV4环境_tugouxp的专栏-优快云博客 使用yolov4.cpp中的默认参数对输入数据进行归一化操作： 得到的结果如下： 作如下调整后： 得到的识别效果，可以看到，精度明显降低了很多。 换一张图片的效果对比： 这张照片的..
【YOLO v4 相关理论】Normalization: BN、CBN、CmBN
qq_38253797的博客
05-18 6227
一、Batch Normalization 论文：https://arxiv.org/pdf/1502.03167.pdf Batch Normalization是google团队在2015年论文《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》提出的。 个人认为这时一篇可以排进深度学习前十的一篇神作，目前大部分的流行算法、模型都会用到BN，它可以加快模型的收敛速度，
【深度学习】YOLOv5标签归一化处理——json转换为txt，COCO格式转成YOLO格式
喜欢编程、唱歌、运动。C++，Java，Python，C#编程选手，偶尔刷刷leetcode
05-12 2856
这段代码是一个用于处理JSON文件的脚本，主要包含以下几个函数和一个主程序：cor_convert_simple(img_size, box): 这个函数用于将简单的坐标框格式转换为所需的格式。它接受图片尺寸img_size和一个坐标框box作为输入，并进行一系列的计算和转换，最后返回转换后的结果。具体的转换过程包括计算中心点坐标、宽度和高度，然后根据图片尺寸进行归一化处理。cor_convert_seg(img_size, box_list): 这个函数用于将复杂的坐标框列表格式转换为所需的格式。
【深度学习】Yolov5标签归一化处理——json转换为txt
点赞的都能无bug通过！
05-08 9010
一、标签转换 如下图所示，是标注的json文件。这里转换的时候所需要的，最重要的信息是 category_id和bbox，用这两个来转换成txt 需要完成以下的转换——> 左边的可能是其他渠道或者任务提供的json标注，右边的txt是yolov5所需要的标注 二、边界框(bounding box)说明 在目标检测中,用边界框来表示物体的位置,边界框为能正好包含物体的矩形框。如下图中包含框选的矩形框即为边界框。 边界框的表达形式： xyxy格式： 边界框由左上角坐标（x1，y1）和右下角坐标（
mamba yolo改进
最新发布
01-06
### 使用Mamba优化YOLO模型性能 #### 1. ODSS Block的应用 ODSS Block作为Mamba YOLO的核心组件，在输入阶段通过一系列处理使得网络可以学习到更加深入和丰富的特征表示，这有助于提高模型的整体表现。具体来说，ODSS Block不仅增强了特征提取能力，还通过批处理归一化技术确保了训练和推理过程中的效率与稳定性[^1]。 ```python class ODSSBlock(nn.Module): def __init__(self, in_channels, out_channels): super(ODSSBlock, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` #### 2. SSMs的引入 为了进一步提升目标检测的效果，基于状态空间模型（SSMs）的方法被用于改进传统的YOLO架构。这种方法利用了SSMs的强大长距离依赖建模能力和线性时间复杂度优势，从而实现了高效的特征融合以及更好的上下文理解能力[^3]。 ```python import torch.nn as nn from ssm_module import StateSpaceModelLayer class EnhancedYOLO(nn.Module): def __init__(self): super(EnhancedYOLO, self).__init__() # 基础层... # 添加SSM层以增强特征表达 self.ssm_layer = StateSpaceModelLayer() def forward(self, x): # ...基础前向传播 enhanced_features = self.ssm_layer(x) return final_output ``` #### 3. 实例分割任务拓展 除了基本的目标检测功能之外，还可以将Mamba YOLO应用于实例分割任务中。实验表明，在COCOSeg数据集上的测试结果显示，Mamba YOLO-T-seg版本相较于其他同类模型具有明显的优势，特别是在不同尺度下的Mask mAP指标方面表现出色[^2]。 ```python def train_segmentation_model(model, dataset, epochs=50): optimizer = optim.Adam(model.parameters()) for epoch in range(epochs): model.train() for images, targets in dataset: predictions = model(images) loss = compute_loss(predictions, targets) optimizer.zero_grad() loss.backward() optimizer.step() ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值