【目标检测】yoloV5算法详解

最新推荐文章于 2025-04-25 18:49:00 发布
最新推荐文章于 2025-04-25 18:49:00 发布
阅读量2.2w 收藏 246
点赞数 22
分类专栏： 目标检测 文章标签： 算法 深度学习
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_40373651/article/details/121501699
版权
本文详细介绍了YOLOv5相较于YOLOv4的改进之处，包括Mosaic数据增强、自适应锚框计算、自适应图片缩放等训练策略，以及FOCUS结构、CSP网络和FPN_PAN结构在模型设计中的应用。此外，文章还探讨了GIoU_Loss在目标检测任务中的作用，强调了这些改进对提升模型性能和训练效率的影响。

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

一、与yoloV4相比，yoloV5的改进

  1. 输入端：在模型训练阶段，使用了Mosaic数据增强、自适应锚框计算、自适应图片缩放
  2. 基准网络：使用了FOCUS结构和CSP结构
  3. Neck网络：在Backbone和最后的Head输出层之间插入FPN_PAN结构
  4. Head输出层：训练时的损失函数GIOU_Loss，预测筛选框的DIOU_nns

二、yoloV5结构框架

在这里插入图片描述CBL：CBL模块是由Conv+BN+Leaky_relu激活函数组成
Res unit：借鉴ResNet中的残差结构，用来构建深层网络，CBM是残差模块中的子模块
CSP1_X：借鉴CSPNet网络结构，由CBL,Res unit，卷积层，Concate组成
CSP2_X：借鉴CSPNet网络结构，由卷积层积X个Res unit模块Concate组成
FOCUS：将多个slice结果Concate起来，将其送入CBL模块中
SPP：采用1x1,5x5,9x9和13x13的最大池化方式，进行多尺度融合

三、Mosaic数据增强

CutMix：将2张图进行拼接
Mosaic：在CutMix基础上进行改进，采用4张图片，按照随机缩放，随机裁剪和随机排布的方式进行拼

最低0.47元/天 解锁文章
YOLOv5算法详解
实践出真理，接毕设/课设项目开发指导
02-03 4223
样本扩充的依据是判断gt的中心点落在的网格相对的上下左右偏移量.( 例如,gt的中心在网格中偏向左上角,那么gt所在gird的上方和左方的gird也会被扩充为gt样本.同时,扩充的gird所对应的gt框是由原始的gt框移动一个单位到其所在的gird中) ,下面这张图可以很好的解释这一过程。Yolov4的Neck结构中，采用的都是普通的卷积操作。，代入上面（2）的计算公式中，可以得到Yolov5l的Focus结构中，卷积下采样操作的卷积核的数量为64个，而第二个卷积下采样的卷积核数量是128个。
Yolov5原理详细解析！一文看懂
穿着帆布鞋也能走猫步
10-27 3万+
Yolov5原理详细解析
YOLOv5训练参数简介
豆芽菜
02-06 1万+
yolov5参数
目标检测篇--YOLOv5原理篇
luralying的博客
06-11 1万+
SPPF（空间金字塔），首先通过一个标准卷积将输入通道减半，然后分别做kernel-size为5，9，13的maxpooling（对于不同的核大小，padding是自适应的）。由于实际使用的图片很多图片的长宽比例不同，因此在缩放填充后，两端都会有黑边，如果填充过多，则会存在大量信息冗余，从而影响整个算法的推理速度。例如，images大学为608。在网络训练阶段，模型在初始锚点框的基础上输出对应地预测框，计算与GT框之间的差距，并执行反向更新操作，从而更新网络的参数，因此初始点锚框的设置也非常关键。
YOLOv5 （You Only Look Once）全面介绍与使用指南
最新发布
Rhett_Butler0922的博客
04-25 1231
训练 YOLOv5 需要准备数据集、配置环境并运行训练脚本。YOLOv5 是一个高效、易用的目标检测算法，适合初学者和专业开发者。快速上手：使用预训练模型进行推理。深入实践：训练自定义数据集，优化模型性能。灵活部署：将模型应用到实际场景。
YOLO v5算法详解
weixin_42148389的博客
01-04 4万+
1、YOLO v5网络结构 2、输入端 3、Backone网络 4、Neck网络 5、Head网络 1、YOLO v5网络结构 图 1 YOLO v5网络结构图 由上图可知，YOLO v5主要由输入端、Backone、Neck以及Prediction四部分组成。其中： (1) Backbone：在不同图像细粒度上聚合并形成图像特征的卷积神经网络。 (2) Neck：一系列混合和组合图像特征的网络层，并将图像特征传递到预测层。 (3) Head： 对图像特征进行预测，生成边界框
《深度学习》——yolov4详解
will be blogging
03-30 1072
YOLOv4 是一种目标检测算法，属于 YOLO（You Only Look Once）系列的第四代版本。它在目标检测领域有着重要地位，结合了许多先进的技术，在速度和精度上取得了较好的平衡。主要特点高效的检测速度：和传统的目标检测算法相比，YOLOv4 速度极快，能够实时处理视频流，这让它可以在对实时性要求较高的场景中使用，比如自动驾驶、视频监控等。高检测精度：它通过采用一系列先进的技术和改进的网络结构，在目标检测精度上有了显著提升，能够较为准确地识别出图像或视频中的不同目标。
【目标检测】YOLOV5详解
qq_38375203的博客
06-30 1万+
YOLOV5和YOLOV4有很多相同的地方，最大的改变还是基础架构的变化。Yolov5官方代码中，给出的目标检测网络中一共有4个版本，分别是Yolov5s、Yolov5m、Yolov5l、Yolov5x四个模型。首先先看一下YOLOV5s的网络架构。上图即Yolov5的网络结构图，可以看出，还是分为输入端、Backbone、Neck、Prediction四个部分。（1）输入端：Mosaic数据增强、自适应锚框计算、自适应图片缩放 （2）Backbone：Focus结构，CSP结构 （3）Neck：FPN+P
YOLOv10 目标检测算法详解及其应用部署
10-08
该文档详细介绍了YOLOv10算法的技术要点以及应用场景，并提供了完整的实施指南，涵盖了YOLOv10的安装、模型结构解析、训练及推断过程，同时讨论了基于模型的性能优化方法如TensorRT，展示了其实时视频流及批量图片...
YOLOv8目标检测算法详解
培根芝士的专栏
06-27 4453
YOLOv8是Ultralytics公司最新推出的Yolo系列目标检测算法，建立在Yolo系列历史版本的基础上，并引入了新的功能和改进点，以进一步提升性能和灵活性。它是实现目标检测、图像分割、姿态估计等任务的最佳选择之一。YOLOv8是一种基于深度学习的目标检测算法，其核心思想是将目标检测问题转化为一个回归问题，通过一次前向传播过程即可完成目标的位置和类别预测。它继承了YOLO系列算法的优点，如速度快、实时性好等，并在准确性和泛化能力上进行了进一步的提升。
Yolov5算法解读
以梦为马，不日抵达。
11-28 4万+
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，不同的是和这两个参数。yolov5主要分为输入端，backbone，Neck，和head(prediction)。backbone是New CSP-Darknet53。Neck层为SPFF和New CSP-PAN。Head层为Yolov3 head。
YOLOv5网络模型的结构原理讲解（全）
码农研究僧的博客
04-25 8万+
YOLOv5有几种不同的架构，各网络模型算法性能分别如下： YOLOv5是一种目标检测算法，其模型结构主要包括以下组成部分：输入端：YOLOv5的Head网络由3个不同的输出层组成，分别负责检测大中小尺度的目标。Backbone网络：YOLOv5使用CSPDarknet53作为其主干网络，其具有较强的特征提取能力和计算效率。Neck网络：YOLOv5使用的是FPN(FPN网络能够在不同的特征图层次上进行检测，可以提高目标检测的性能)网络，可以融合来自不同特征图层次的信息。输出端：损失函数，YOLOv5使用的
目标检测算法——YOLOV5
TigerZ*的博客
07-01 2万+
1、主要贡献 网上对YOLOV5是否称得上V5都有异议，可见其并没有算法上的重大创新，主要是多种trick的集成，并且开源了一套快速训练、部署的方案。 2、主要思路 主体流程和V3类似，三分分支预测，如下： 3、具体细节 1）input 主要使用如下trick：Mosaic数据增强、自适应锚框计算、自适应图片缩放。下面分别叙述 a.Mosaic数据增强 Mosaic数据增强则采用了4张图片，随机缩放、随机裁剪、随机排布的方式进行...
【YOLO系列】YOLOv5超详细解读（源码详解＋入门实践＋改进）
路人贾的博客
03-03 21万+
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）
YOLOV5详细解读
qq_50027359的博客
11-16 9155
本文主要是对基于深度学习的目标检测算法进行细节解读，以YOLOV5为例；
YOLOv5网络详解
热门推荐
霹雳吧啦Wz
03-20 24万+
在前面我们已经介绍过了YOLOv1~v4的网络的结构，今天接着上次的YOLOv4再来聊聊YOLOv5，如果还不了解YOLOv4的可以参考之前的博文。YOLOv5项目的作者是Glenn Jocher并不是原Darknet项目的作者Joseph Redmon。并且这个项目至今都没有发表过正式的论文。之前翻阅该项目的issue时，发现有很多人问过这个问题，有兴趣的可以翻翻这个issue #1333。作者当时也有说准备在2021年的12月1号之前发表，并承诺如果到时候没有发表就吃掉自己的帽子。...
目标检测——YOLOv5算法解读
lishanlu136的博客
03-15 3885
yolov5算法解读
yolov5算法详解
01-07
### YOLOv5 算法详解 #### 一、YOLOv5简介 YOLO (You Only Look Once) 是一系列用于实时对象检测的算法，而YOLOv5作为该系列中的一个重要版本，在保持高精度的同时实现了更快的速度。此模型基于PyTorch框架构建，并引入了许多优化措施以提高效率和准确性[^1]。 #### 二、项目目录结构解析 项目的根文件夹包含了多个子文件夹以及一些重要脚本： - `models/`: 存储不同架构定义的Python模块； - `configs/`: 各种训练参数设定； - `train.py` 和 `val.py`: 分别负责启动训练过程与验证模型表现； 这些组件共同构成了一个完整的开发环境，使得开发者可以方便地调整设置并运行实验。 #### 三、推理流程概述 对于实际应用场景下的物体识别任务而言，`detect.py` 文件扮演着至关重要的角色。它接收输入图像或视频流，通过加载已训练好的权重文件来进行预测操作。具体来说，程序会先对原始图片做必要的转换处理（比如缩放），之后送入网络内部完成特征提取工作。最终输出的结果不仅包括各个类别标签及其对应的概率值，还有边界框坐标信息以便于后续可视化展示。 ```python import torch from models.experimental import attempt_load from utils.general import non_max_suppression, scale_coords from utils.datasets import letterbox def detect(image_path): device = 'cuda' if torch.cuda.is_available() else 'cpu' model = attempt_load('yolov5s.pt', map_location=device) img0 = cv2.imread(image_path) img = letterbox(img0)[0] img = img[:, :, ::-1].transpose(2, 0, 1).copy() img = torch.from_numpy(img).to(device) img = img.float() / 255.0 pred = model(img.unsqueeze(0))[0] det = non_max_suppression(pred, conf_thres=0.4, iou_thres=0.5) if det is not None and len(det): det[:, :4] = scale_coords(img.shape[1:], det[:, :4], img0.shape).round() return det.cpu().detach().numpy() ``` 上述代码片段展示了如何利用预先训练过的YOLOv5模型执行单张静态图象上的目标定位任务。这里涉及到了几个核心步骤：读取待测样本、准备适合喂给神经网路的数据形式、调用forward pass获取初步估计结果、运用NMS(non-maximum suppression)去除冗余候选区域最后再映射回原尺寸空间内显示出来。
评论 2
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