yolo系列之yolov3（3）

已于 2022-10-26 16:21:23 修改
阅读量284 收藏
点赞数
分类专栏： ai模型搭建，平台部署课程 文章标签： 深度学习 计算机视觉 人工智能
于 2022-08-30 21:01:57 首次发布
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/monk96/article/details/126612117
版权
YOLOv3在YOLOv2基础上进行了细节改进，包括采用改进的backBone融合Darknet-19与ResNet，调整先验框设定，使用concat进行特征图提取，修改loss函数并改进softmax。loss函数引入了MSE和交叉熵损失，用于优化坐标预测和分类准确性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

前言

v3

论文参考：https://arxiv.org/pdf/1804.02767.pdf
大v参考：https://zhuanlan.zhihu.com/p/76802514

v3 和v2 大体上的思路是差不多的， 做了一些细节上的

了解本专栏 订阅专栏 解锁全文 超级会员免费看
YOLOV5/YOLOV8改进：CVPR 2022 |EfficientViT：轻量级多尺度关注设备上语义分割
2201_76125261的博客
10-05 313
语义分割使许多吸引人的现实世界的应用，如计算摄影，自动驾驶等。然而，巨大的计算成本使得在硬件有限的边缘设备上部署最先进的语义分割模型成为可能资源困难。这项工作提出了高效率，a一种新的语义分割模型设备语义的轻量级多尺度关注分割。不像以前的语义分割模型依赖于大量的自关注，硬件效率低下为了获得良好的性能，我们的轻量级多尺度注意力在轻量级和硬件效率的前提下实现了全局接受场和多尺度学习(语义分割模型的两个关键特征)操作。
YoloV5改进策略：EfficientViT，高效的视觉transformer与级联组注意力提升YoloV5的速度和精度，打造高效的YoloV5
m0_47867638的博客
10-08 2380
EfficientViT是一种高效的视觉Transformer模型，旨在解决传统Vision Transformer模型在计算成本方面的问题，使其实时应用更高效。传统Transformer模型的速度通常受限于内存效率低下的操作，尤其是在多头自注意力机制（MHSA）中的张量重塑和逐元素函数。为了提高内存效率并增强通道间的通信，EfficientViT设计了一种新的构建块，采用了“夹层布局（sandwich layout）”策略，即在高效的前馈神经网络FFN层之间使用了一个受内存限制的MHSA。
【YOLOv8】YOLOv8改进系列（1）----替换主干网络之EfficientViT(CVPR2023)
最新发布
熬夜秃顶中......
02-19 1457
YOLOv8改进系列（1）----替换主干网络之EfficientViT(CVPR2023)
Yolov8轻量级：EfficientViT，基于级联分组注意力模块的全新实时网络架构
QvisCs的博客
09-17 865
EfficientViT是一种基于注意力机制的轻量级视觉转换网络，它利用了Transformer的优势，并通过设计轻量化的注意力模块，减少了模型的计算量和参数数量。近期，研究人员提出了一种新的实时网络架构，名为Yolov8轻量级：EfficientViT，它采用了基于级联分组注意力模块的创新方法，旨在提高计算机视觉任务的速度和准确性。Yolov8轻量级：EfficientViT结合了两种先进的网络结构，即Yolov8和EfficientViT，从而在轻量级模型中实现了更好的速度和准确性。
YOLOV8改进：CVPR2023：加入EfficientViT主干：具级联组注意力的访存高效ViT
AIcurator的博客
07-18 2788
视觉变压器由于其高模型能力而取得了巨大的成功。然而，它们卓越的性能伴随着沉重的计算成本，这使得它们不适合实时应用。在这篇论文中，我们提出了一个高速视觉变压器家族，名为EfficientViT。我们发现现有的变压器模型的速度通常受到内存低效操作的限制，特别是在MHSA中的张量重塑和单元函数。因此，我们设计了一种具有三明治布局的新构建块，即在高效FFN层之间使用单个内存绑定的MHSA，从而提高了内存效率，同时增强了信道通信。此外，我们发现注意图在头部之间具有很高的相似性，从而导致计算冗余。
Yolov5轻量级：EfficientViT，基于级联分组注意力模块的全新实时网络架构，better speed and accuracy |CVPR2023
05-19 2883
yolov5引入cvpr2023 EfficientViT，加入backbone，涨点明显。高效ViT模型EfficientViT。它以EfficientViT block作为基础模块，每个block由三明治结构 (Sandwich Layout) 和级联组注意力（Cascaded Group Attention, CGA）组成。
深入浅出Yolo系列之Yolov3&Yolov4&Yolov5&Yolox核心基础知识完整讲解_江南研习社-优快云博客_深入浅
08-04
【深入浅出Yolo系列之Yolov3&Yolov4&Yolov5&Yolox核心基础知识完整讲解】 Yolo（You Only Look Once）系列是目标检测领域非常热门的算法，从Yolov3到Yolov4、Yolov5，再到最新的Yolox，这一系列算法在不断提升目标...
【YOLO系列】YOLOv5超详细解读（源码详解＋入门实践＋改进）
热门推荐
路人贾的博客
03-03 19万+
一文带你详细了解YOLOv5（含YOLO系列论文讲解+源码详解+入门实践+算法改进）
YOLO系列之YOLOv3
qq_52937486的博客
11-08 990
faster rcnn,SSD都是针对于anchor而言的，而yolo里是则对于anchor左上角点而言的，yolo结构里也提到，有三个预测特征层，每个预测特征层有不同的模板，下图假设是一个，则对每个anchor模板，都有四个边界框回归参数，分别对应tx,ty,tw,th。N*N是特征图的大小，常见的N13，26，52；l2损失，右上图l2损失是一样的，但是IOU不同，即损失不能很好的反映重合程度，故引入IOU Loss,计算公式如下，=-ln(IOU),还有一个IOU Loss=1-IOU。
全面回顾YOLO系列从YOLOv1到YOLOv10的发展路径与应用
10-05
本文系统地回顾了从第一代YOLO模型发展至最新版本YOLOv10的历程，详细阐述每一迭代带来的改进，涵盖了速度、精度等多个方面。文章不仅介绍了YOLO各代的技术特点和发展脉络，并针对其应用场景如公共安全、自动驾驶、...
Mobilenet-YOLO-Pytorch:包括mobilenet系列（v1，v2，v3 ...）和yolo系列（yolov3，yolov4 ...）
03-29
yolov3 约洛夫4 MobileNetV2 71.2 352 ✓ MobileNetV2 352 ✓ MobileNetV3 MobileNetV3 训练步骤 下载数据集VOCdevkit /，如果已有，请跳过此步骤 sh scripts/VOC2007.sh sh scripts/VOC2012.sh 创建lmdb ...
目标检测算法改进系列之Backbone替换为EfficientViT
DM_zx的博客
09-28 906
目标检测算法改进系列之Backbone替换为EfficientViT
芒果YOLOv7改进20：主干篇：全网首发最新 MobileViTv3 系列最强改进版本（三）｜轻量化Transformer视觉转换器，简单有效地融合了本地全局和输入特征，高效涨点
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-11 6553
💡本篇文章 基于 YOLOv5、YOLOv7、YOLOv7-tiny 等网络：首发最新结合 MobileViTv3 系列最强版本！：轻量化Transformer视觉转换器，简单有效地融合了本地全局和输入特征, 本文将结合YOLO系列应用。
YOLOv5改进 | 主干篇 | 高效的视觉ViT网络EfficientViT替换Backbone（高效的视觉变换网络）
Snu77的博客
01-10 1634
本文给大家带来的改进机制是（高效的视觉变换网络），EfficientViT的核心是一种轻量级的多尺度线性注意力模块，能够在只使用硬件高效操作的情况下实现全局感受野和多尺度学习。本文带来是2023年的最新版本的EfficientViT网络结构，论文题目是'EfficientViT: Multi-Scale Linear Attention for High-Resolution Dense Prediction'这个版本的模型结构(这点大家需要注意以下)。
yolov5修改骨干网络-使用自己搭建的网络-以efficientnetv2为例
小白不白
12-15 6537
efficientnet则是通过NAS搜索，同时增加width、depth以及resolution，使网络结构达到最优。下表为EfficientNet-B0的网络框架（B1-B7就是在B0的基础上修改Resolution，Channels以及Layers），可以看出网络总共分成了9个Stage。第一个Stage是一个卷积核大小为3x3，stride为2的普通卷积层（包含BN和Swish激活函数）；
YOLOv5改进系列：Efficientrep结构助力涨点
ZzzzzKnight的博客
03-20 186
本文主要工作包括GhostNetV2介绍及改进代码策略，该模块为即插即用模块，部署位置可根据实际针对任务需求，自行调整本专栏持续更新中，订阅本栏，关注更新~
目标检测 YOLO 系列：快速迭代 YOLO v5
生命在于折腾！
08-01 2631
目标检测 YOLO 系列：快速迭代 YOLO v5 作者：Glenn Jocher 发表时间：2020 Paper 原文：没有发表论文，通过 github（yolov5） 发布。 1. 概览 YOLOv5 刚发布之初还颇有争议，有人觉得它能不能叫 YOLOv5，但是它凭借优秀的性能和完善的工程配套（移植到其他平台）能力，现在（2021年）YOLOv5 依然是检测领域最活跃的模型。YOLOv5 不仅生而不凡，更关键的是它还非常勤快，从发布至今，已经发布了 5 个大版本。所以在使用 YOLOv5 的时候需要注意
主干网络篇 | YOLOv5/v7 更换骨干网络之 EfficientNet | 卷积神经网络模型缩放的再思考
YOLOv8项目贡献者
01-02 6698
YOLOv5/v7 更换骨干网络之 EfficientNet-B0
YOLOv5结合BiFPN
曾星的博客
04-28 3万+
现在yolov5的neck用的是PANet，在efficient论文中提出了BiFPN结构，还有更加不错的性能。所以就尝试将yolov5中的PANet层改为BiFPN。 需要修改的地方 主要是修改yaml配置文件 我修改的是yolov5x.yaml，将concat层连接不同的layer。有三层BiFPN，最后输出为了和yolov5对应，我没有用在论文里写的p3-p7五个节点，我只用了三个。（这里应该要用relu使w>0，我训练报错就没有用relu） 修改common.py class Concat
深入浅出yolo系列之yolov5核心基础知识完整讲解
06-28
### 回答1： 这是关于使用 YOLOv5 深入浅出的问题。YOLOv5 是目标检测领域的一种深度学习框架，它建立在 YOLO 系列的基础上，具有更快的速度和更高的精度。YOLov5 的核心基础知识包括卷积神经网络和目标检测算法等。 ### 回答2： 目前，Yolo系列算法已经成为了目标检测领域的主流算法之一。其中，Yolov5作为Yolo系列的最新版本，相比之前版本，在检测速度和精度上都有了大幅度的提升。本文将从以下四个方面对Yolov5进行深入浅出地解析。 一、Yolov5基础框架 Yolov5的基础框架由三个主要部分组成，分别是：Backbone、Neck和Head。Backbone通常采用的是骨干网络，如ResNet、EfficientNet等，用于提取图像特征。Neck是用来融合不同层级的特征图，一般采用的是FPN（Feature Pyramid Network）或PAN（Path Aggregation Network）。Head是由若干个卷积层和全连接层组成的一个模块，用于进行目标检测。 二、Yolov5中的anchor boxes 在目标检测中，anchor boxes是非常重要的一部分。在Yolov5中，anchor boxes是通过k-means算法进行聚类得到的。这里的k-means算法是针对训练集中目标的大小进行的聚类，目的是得到最适合的anchor boxes尺寸。 三、Yolov5网络结构的变化 相比于Yolov4，Yolov5在网络结构上的变化主要包括：去掉了大量瓶颈块，增大了通道数，增加了下采样层数，减少了最大池化层。这些变化都是为了提高检测速度和准确率。 四、Yolov5的训练技巧 在训练阶段，Yolov5采用了GIoU损失函数和Mosaic数据增强方式。GIoU损失函数是一种与边框大小无关的、能够有效地惩罚预测框的偏移和错位的损失函数。而Mosaic数据增强方式则是一种结合了多张图像的数据增强方式，在提高数据样本多样性的同时还能有效避免过拟合。 综上所述，Yolov5作为Yolo系列的最新版本，不仅在检测速度和准确率上有了大幅提升，还采用了一系列新的训练技巧。对于从事目标检测研究的人员来说，了解和掌握Yolov5的核心基础知识是非常重要的。 ### 回答3： YOLOv5是一种新的目标检测算法，它通过使用深度学习技术来实现图像中物体的检测。这个算法具有很高的准确率和比较快的处理速度，因此在实际应用中得到了广泛的应用。下面来深入浅出的讲解YOLOv5的基础知识。 1、YOLOv5的特点：YOLOv5采用的是深度学习技术，利用神经网络对图像进行处理，从而实现物体检测。它的特点是速度快，准确率高。相比传统的目标检测方法，YOLOv5还可以同时处理多个物体的检测，所以它比较适合用于实时场景中的物体检测。 2、YOLOv5的网络结构：YOLOv5采用的是一种叫做YOLOv4的网络结构，它是一种非常复杂的卷积神经网络模型。整个网络分为多个层次，每一层都是由卷积、池化、激活函数等多个操作组成。通过这些层级的处理，YOLOv5可以进行对图像的特征提取，并最终输出每个物体的位置和类别。 3、YOLOv5的训练过程：YOLOv5的训练过程是一个比较复杂的过程，需要利用大量的标注好的图像数据进行训练。这个过程需要用到一些特殊工具和方法，比如数据增强、批量训练、学习率调整等。通过这些方法，YOLOv5可以不断地优化自己的检测能力，从而提升对物体的检测准确率。 4、YOLOv5的应用场景：YOLOv5的应用场景非常广泛，可以应用于工业生产、安防监控、交通管理等多个领域。比如在工业生产中，可以用来对自动化生产线上的产品进行检测；在安防监控中，可以用来对物体进行追踪和识别；在交通管理中，可以用来对车辆、行人等进行检测和统计。 以上就是YOLOv5的核心基础知识的完整讲解了，希望能对大家有所启发。总的来说，YOLOv5是一种比较先进的目标检测算法，其准确率和速度都较高，可以应用于多个领域。但是其训练过程比较复杂，需要有一定的专业知识和技能才能够进行有效的训练和优化。
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

打赏作者

东哥aigc

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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