YOLOv3、YOLOv4、YOLOv5

最新推荐文章于 2025-03-11 10:44:31 发布

秋水墨色

最新推荐文章于 2025-03-11 10:44:31 发布

阅读量924

点赞数 2

分类专栏：计算机视觉（OCR+目标检测+目标跟踪）+（优化+部署）文章标签：神经网络深度学习机器学习

本文链接：https://blog.youkuaiyun.com/sdw5723118/article/details/120012469

版权

计算机视觉（OCR+目标检测+目标跟踪）+（优化+部署）专栏收录该内容

42 篇文章 ¥29.90 ¥99.00

订阅专栏

超级会员免费看

这篇博客深入探讨了YOLO系列的目标检测模型，包括YOLOv3、YOLOv4和YOLOv5的详细内容。作者逐一解析了这些模型的改进点和性能提升，对于理解目标检测领域的最新进展具有重要意义。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Yolov3

Yolov4

输入端采用 Mosaic、CutMix数据增强、cmBN、SAT自对抗训练 
Backbone采用了CSPDarknet53、Mish激活函数、DropBlock正则化等方式
Neck中采用了SPP、FPN+PAN的结构
Prediction则采用CIOU_Loss、DIOU_nms操作

Yolov5

YOLOv5其实就是YOLOv4的工程化的版本。

输入端：Mosaic数据增强、自适应锚框计算、自适应图片缩放
Backbone：Focus结构，CSP结构
Neck：FPN+PAN结构
Prediction：CIOU_Loss 

anchor: 采用 k 均值和遗传学习算法对自定义数据集进行分析，获得适合自定义数据集中对象边界框预测的预设锚定框。  开始会先计算Best Possible Recall (BPR) ,  再在kmean_anchors函数中进行k 均值和遗传学习算法更新anchors。 

数据增强采用了马赛克数据增强，就是从train的数据集中选择四张图片，在一张大图上的一定范围随机选择中心点，在中心点的左上，左下，右上，右下放置一张图片。这样做在一定程度上增加了batch size，四合一图片吗。当然，四张图片上面的label也要做相应的更新；

DropBlock机制。防止过拟合很常用的方法就是Dropout，即随机杀死一些神经元，DropBlock则是随机杀死一片区域的神经元。例如，之前是把狗狗图片的眼睛一个像素点删掉了，现在是整个眼睛都删掉了；

Label Smoothing。让标签平滑一些，目的是让神经网络不那么自信。例如，softmax的结果：（1,0）->[1,0]*(1-0.1)+0.05=[0.95,0.05]；

损失函数：
  边框回归：采用了CIoU
  Objectness（置信度损失）：采用了BCEWithLogitsLoss和CIoU
  分类损失：采用了交叉熵损失函数BCEWithLogitsLoss
  三种损失平衡：边框：Objectness：分类=0.05：1：0.5
  三个检测层的损失平衡是：4.0, 1.0, 0.4对应8,16,32的输出层