YOLOv5解析 | 番外篇：如何改进YOLOv5？

已于 2023-07-12 11:25:27 修改
阅读量2.4w 收藏 509
点赞数 55
分类专栏： YOLOv5解析 文章标签： python 深度学习 caffe
于 2022-05-23 11:00:17 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/qq_38251616/article/details/124665998
版权
本文深入解析YOLOv5的模型结构，包括YOLOv5s.yaml、common.py和yolo.py的修改方法。通过实例展示了如何将YOLOv5s中的C3模块替换为自定义模块，涉及修改yaml配置、添加代码实现和更新yolo.py。

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

大家好，我是K同学啊！

在前面的文章YOLOv5解析 | 第二篇：用YOLOv5训练自己的数据集（超级详细完整版）中我们介绍了使用训练自己的数据集。

这一篇文章，我将带大家一起解析 YOLOv5 的 6.0 版本结构并改进模型，先看看我们模型结构图~

由于YOLOv5存在多个版本，所以你在网上可能会看到许多不同版本是网络结构图。（这里放的是最新的YOLOv5 的 6.0 版本结构图）

文章目录

一、YOLOv5的结构文件

我们如何找到YOLOv5的结构文件？

文件定位：…/models/***.yaml

了解本专栏 订阅专栏 解锁全文
如何改进YOLOv5？这篇告诉你如何修改让检测更快、更稳！！
qq_53545309的博客
10-29 4287
值得注意的是，由于功能通道的减少，特征图会出现信息丢失，并且在其他level的特征图中只包含一些不太相关的上下文信息。针对这一问题，提出了一种简单而有效的方法，即感受野金字塔(RFP)，以增强特征金字塔的表示能力，并驱动网络学习最优的特征融合模式。而在扩张卷积的卷积运算中，卷积核的元素是间隔的，空间的大小取决于膨胀率，这与标准卷积运算中卷积核的元素都是相邻的不同。FEM主要是根据检测到的交通标志尺度的不同，利用扩张卷积自适应地学习每个特征图中的不同感受野，从而提高多尺度目标检测识别的准确性。
yolov5及其算法改进
m0_38113054的博客
12-27 2166
YOLOv5 是一个基于 Anchor 的单阶段目标检测，其主要分为以下 5 个阶段：1、输入端：Mosaic 数据增强、自适应Anchor计算、自适应图像缩放；2、Backbone：提取出高中低层的特征，使用了 CSP 结构、SPPF、SiLU 等操作；3、Neck：使用 FPN+PAN 结构，将各层次的特征进行融合，并提取出大中小的特征图；4、Head：进行最终检测部分，在特征图上应用 Anchor Box，并生成带有类别概率、类别得分以及目标框的最终输出向量；
YOLOv5改进（一）改进的核心内容
qq_45874142的博客
05-08 1万+
本节介绍了改进YOLOv5中的较难部分：添加自己设计的模块的办法，需要设计自己的模块，并推导一些尺度和通道数，然后在yaml文件中配置模型参数，在yolo.py中配置输出通道数，如果自己推导了整个模型每层的尺寸和通道数，配置这些参数就相对容易。
关于YOLOV5改进
最新发布
qq_51810827的博客
03-25 428
由于第一次训练的数据大部分由电脑虚拟SD生成，如下图所示： 现在多往训练数据中添加一些马路上落石的真实数据。 修改后训练的效果如下图： 灰色是训练前。 蓝色是训练后。 发现二者精确率，召回率，map的值不相上下，但我们放在实际真实场景去推理的时候发现，有些石头无法被检测出来，或置信度非常低。 yolov5的网络架构图解打开model文件夹下的common.py 在yolo.py文件中添加CBAMC3模块 在yaml文件中增加CBAM 以上文件修改以后都别忘记保存，接下来直接运行。同理先修改common
yolov5详解与改进
qq_44089890的博客
04-13 9786
https://github.com/z1069614715/objectdetection_scriptOptimal Transport Assignment（OTA）是YOLOv5中的一个改进，它是一种更优的目标检测框架，可以在保证检测精度的同时，大幅提升检测速度。在传统的目标检测框架中，通常采用的是匈牙利算法（Hungarian Algorithm）进行目标与检测框的匹配。这种算法虽然能够找到最优匹配，但是在实际应用中，由于匹配的计算量过大，往往会导致检测速度过慢。OTA算法通过引入一种新的目标与检
YOLOv5改进（二）-- 目标检测优化点（添加小目标头检测）
qq_44231797的博客
04-14 9346
YOLOv5优化点，小目标检测
改进的yolov5
小嘤熊的博客
11-06 1777
为证明BottleNeckCSP 的局限性，通过修改信息路径，引入了一种新的称为 N-CSP 的功能块，减少主干中N-CSP块的数量，调整网络参数，提高计算速度。该模块结合局部和全局特征来最大化特征图的表达能力，扩展了骨干网络的感受野，并将最重要的上下文特征分离为大小目标检测。，导致特征信息丢失。因此，该模块提高了网络准确定位目标的学习能力，特别是小对象，同时以最小的计算成本增加保持快速检测速度。，一个在FPN的自顶向下路径中，另一个在PANet的自底向上路径中，用于集成不相邻和多层次特征。
《番外篇 - YOLOv8算法解析和实战应用：车辆检测 + 车辆追踪 + 行驶速度计算》
06-21
YOLOv8是YOLO家族中的最新成员，其主要改进可能包括网络结构的调整、损失函数的优化以及训练策略的改进。与之前的YOLO版本相比，YOLOv8可能会引入更先进的卷积神经网络（CNN）组件，如空洞卷积（Atrous Convolution...
番外篇 | YOLOv8算法解析和实战应用：车辆检测 + 车辆追踪 + 行驶速度计算
突然好想你
06-21 1210
YOLOv8是ultralytics公司在2023年1月10号开源的，是YOLOv5的下一个重大更新版本，目前支持图像分类、物体检测和实例分割任务，在还没有开源时就收到了用户的广泛关注。它是一个SOTA模型，建立在以前YOLO版本的成功基础上，并引入了新的功能和改进，以进一步提升性能和灵活性。本文就对YOLOv8算法进行解析并以车辆检测及速度计算为案例进行应用。🌈
番外篇 | YOLOv5更换主干网络之Conformer：首个CNN + Transformer的backbone模型
突然好想你
05-23 612
Transformer和CNN在处理视觉表征方面都有着各自的优势以及一些不可避免的问题。因此，国科大、鹏城实验室和华为研究人员首次将二者进行了融合并提出全新的Conformer模型，其可以在不显著增加计算量的前提下显著提升了基网表征能力。论文已被ICCV 2021接收。🌈
番外篇 | YOLOv5-SPD：用最简单的方式完成低分辨率图像和小目标检测升级
突然好想你
05-25 596
SPD-Conv由一个空间到深度（SPD）层和一个非步长卷积（Conv）层组成。本文详细介绍了如何在YOLOv5中引入SPD-Conv，助力助力低分辨率与小目标检测，并且使用修改后的YOLOv5进行目标检测训练与推理。🌈
YOLOV5算法改进及其现实应用
05-01
YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实
YOLO V5 改进详解
leeyns的博客
11-29 5766
YOLO V5 论文详解
yolo5的改进策略
热门推荐
识物专栏
10-26 5万+
YOLO V5的作者并没有发表论文,对yolo5分析只能从源码进行分析；相比于yolo4，yolo5在原理性方法没有太多改进， 但是在速度与模型大小上比yolo4有较大提升，可以认为是通过模型裁剪后的工程化应用（即推理速度和准确率增加、模型尺寸减小）。 从以下几个方面说明yolo5的改进之处： Data Augmentation Auto Learning Bounding Box Anchors Backbone Neck Head Network Architecture Activ
YOLOv5改进（CONTEXT AUGMENTATION MODULE，CAM）
eagleflying_cau的博客
06-10 1913
方法（a）是加权融合，方法（b）是自适应融合 ，即假设输入的大小可以表示为（bs，C，H，W），可以通过执行卷积运算来获得（bs，3，H，W）的空间自适应权重连接和Softmax。三个通道与三个输入一一对应，通过计算加权和，可以将上下文信息聚合到输出，方法（c）是做concatenation，例：a = np.array([[1,2],[3,4]]),b =np.arrat([[5,6]]),c=np.concatenate((a,b)),c=array([1,2],[3,4],[5,6]).
yolov5 改进技巧详解
@bangbang的博客
03-23 1298
本文以的代码进行讲解yolov5的改进技巧。
在目标检测方面，如何对yolov5进行优化改进？
limingmin2020的博客
11-08 8056
YOLOv5中原有的特征金字塔网络替换为AF-FPN，在保证实时检测的前提下提高了YOLOv5网络对多尺度目标的检测性能。
yolov5改进（自用）
m0_67006148的博客
09-26 2085
1）打开models文件夹中的common.py文件2）将下面的CBAMC3代码复制粘贴到common.py文件中。
YOLOv5算法改进（1）— 如何去改进YOLOv5算法
突然好想你
08-15 7652
为了让大家能够清楚地了解如何去改进YOLOv5算法以及从哪几方面去进行改进，本篇文章就简单介绍一下本系列的算法改进思想！
评论 8
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

K同学啊

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