YOLOv3用到的tricks介绍

最新推荐文章于 2023-04-30 21:20:48 发布
最新推荐文章于 2023-04-30 21:20:48 发布
阅读量517 收藏 3
点赞数
CC 4.0 BY-SA版权
文章标签： html5 html css 1024程序员节
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/weixin_42638415/article/details/120792280
本文介绍了YoloV3网络的优化策略，包括使用Darknet53作为backbone避免池化和全连接层，以及矩形推理（Rectangular Inference）以提高训练和推理效率，减少了预处理中的冗余信息。同时，讨论了矩形训练与数据加载器中shuffle的不兼容性，并提及了引入的SE注意力机制增强模型表现。

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

1. yolov3的backbone为darknet53，整个网络中是没有用到池化层和全连接层

 

2. Rectangular inference（矩形推理）/ training(矩形训练)

        矩形推理就是为了加快网络训练与推理速度速度，因为yolov3在训练的时候会对我们输入的图像数据进行预处理，将图像缩放到416*416，再送到网络中进行训练。这样的话会产生很多无用的信息。

正常预处理

        如图，我们看到，我们添加了很多对我们训练的干扰信息，存在很多信息的冗余，所以如果用到Rectangular

 

Rectangular

        我们需要注意到，这个tirck确实能够减少信息的冗余，但是这样会导致不同的输入图像的尺寸在预处理后，一个bach中的图像长宽比会有很大的差别，yolov3为我们提供将比例相近的图片放在一个 batch，这样显然填充的就更少一些了。

        同时矩形训练与dataloader中的shuffle不可共用，原理就不用多说了。

3. Attention机制

        yolov3引入了SE注意力机制

如有错误，欢迎批评指正

RANKING666
关注
YOLOv5的Tricks | 【Trick3】Test Time Augmentation(TTA)
Clichong
06-01 3937
如有错误，恳请指出。一句话简单的介绍就是测试过程中也使用数据增强，官方教程介绍：Test-Time Augmentation (TTA) Tutorial在训练过程中数据增强是非常常用的一种手段，目的是为了提高模型的泛化能力，以免出现大小不一样，图像选择一下就分辨不出来的尴尬。那么TTA就是想在推理阶段也进行数据增强。不过不会太复杂，因为会增加额外的计算量，在打比赛的时候可能会用到，因为打比赛不在意你的推理时长是多久，所以可以尽情瞎造；但是在实际部署的情况下，因为推理速度减慢很可能会达不到实时监测的效果，所
YOLOv5的Tricks | 【Trick10】从PyTorch Hub加载YOLOv5
Clichong
08-06 2495
如有错误，恳请指出。严格意义来说，这篇文章算不上是yolov5的一个训练技巧，而且yolov5的训练技巧在专栏之前的文章中基本已经都讲完了，之后可以会补充一些yolov5项目的其他内容。比如这篇，从 加载YOLOv5模型，不需要克隆 不过很多朋友（包括我），在整理之前，还不知道pytorch hub是什么，所以这里顺便介绍一些pytorch hub，然后再根据官方链接介绍如何不需要克隆就可以玩转yolov5项目。官方介绍：Towards Reproducible Research with PyTorch
Yolov3_tricks
03-08
YOLOV3的pytorch版本中嵌入了许多技巧 在Darknet上添加我的新模块很麻烦，然后我在Pytorch上实现了带有许多技巧的完整版yolov3 详尽的中文注释！ 表现 地图 车 人 自行车 官方基准 74.3％ 85.6％ 79.4％ 58.0％ 我们的 77.0％ 89.2％ 80.1％ 61.9％ 去做 失焦 GIOU损失 CIOU损失 平稳的L1损失 软网管 和NMS 合并网管 泛音网 马赛克 剪下 CutMix 随机翻转 米什 示例项目
YOLOv4中的tricks概念总结——Bag of freebies
Clichong
06-17 1695
以下内容是对YOLOv4总结出的Bag of freebies进行一个汇总记录： 通常，传统的目标检测器是离线训练的。因此，研究人员总是喜欢利用这一优势，开发更好的训练方法，使目标检测器在不增加推理代价的情况下获得更好的准确率。我们把这些只会改变培训策略或只会增加培训成本的方法称为“Bag of freebies”。 以下我对这些方法进行一个简要的汇总与介绍： 1.pixel-wise调整 满足Bag of freebies定义的目标检测方法经常采用的是数据扩增。数据增强的目的是增加输入图像的可变性，使所设
PP-YOLO中的tricks集合
weixin_42096202的博客
07-31 1365
检测中有效的tricks集合，不包括backbone以及数据增广方面的tricks Github：https://github.com/PaddlePaddle/PaddleDetection Abstract： 目标检测是计算机视觉中最重要的领域之一，在各种实际场景中发挥着关键作用。由于硬件的限制，在实践中通常必须牺牲精度以确保检测器的推断速度。因此，必须考虑物体检测器的有效性和效率之间的平衡。本文的目的是实现一种可以在实际应用场景中直接应用的具有相对平衡的有效性和效率的目标检测器，而不是提出一种新.
YOLOv4的Tricks解读一 --- 多图融合的数据增强（MixUp/CutMix/Mosaic）
云中寻雾的博客
08-04 1778
目录 MixUp CutMix Mosaic YOLOv4 = CSPDarknet53 + SPP + PAN + YOLOv3 YOLOv4采用的trick可以分为以下几类： 用于骨干网的 Bag of Freebies（BoF）：CutMix和Mosaic数据增强，DropBlock正则化，Label Smooth 用于骨干网的 Bag of Specials（BoS）：Mish，跨阶段部分连接（CSP），多输入加权剩余连接（MiWRC） 用于检测器的 Bag of Special.
YOLOv4中的tricks概念总结——Bag of specials
Clichong
06-18 1313
以下内容是对YOLOv4总结出的Bag of specials进行一个汇总记录，也就是另外的一个分支。（以下内容的图片大部分来自于参考链接） 对于那些只增加少量推理成本，却能显著提高目标检测准确率的插件模块和后处理方法，我们称之为“Bag of specials”。一般来说，这些插件模块是为了增强模型中的某些属性，如扩大接受域、引入注意机制、增强特征整合能力等，后处理是筛选模型预测结果的一种方法。 1.提升模型感受野 1）SPP 论文：Spatial Pyramid Pooling in Deep Conv
YOLOv5的Tricks | 【Trick14】YOLOv5的val.py脚本的解析
Clichong
08-12 1万+
如有问题，恳请指出。这篇可能是这个系列最后的一篇了，最后把yolov5的验证过程大致的再介绍介绍，基本上把yolov5的全部内容就稍微过了一遍了，也是我自己对这个项目学习的结束。（补充一下，这里我介绍的yolov5-6.0版本的代码）这个脚本主要分为是三个部分：主体代码运行部分 + 指标计算部分 + 绘图部分，这里就主要介绍前两个部分的内容。细节比较多，比上一篇的detect.py脚本复杂很多，这里写得困难逻辑也不会很清晰，简单做个记录，方便日后自己回忆。在训练阶段每个batch训练结束后，都会调用一次va
基于keras的YOLOv3的代码详解
何少的博客
04-25 1万+
（一）test_single_image.py 默认输入图片尺寸为[416,416]。 # coding: utf-8 from __future__ import division, print_function import tensorflow as tf import numpy as np import argparse import cv2 from utils.misc_uti...
yolov3【深度解析】
qq_33287871的博客
05-06 838
这篇博文比较推荐的yolo v3代码是qwe的keras版本，复现比较容易，代码相对来说比较容易理解。同学们可以结合代码和博文共同理解v3的精髓。 github地址：https://github.com/qqwweee/keras-yolo3 前言 前言就是唠唠嗑，想直接看干货可以跳过前言，直接看Yolo v3。 yolo_v3是我最近一段时间主攻的算法，写下博客，以作分享交流。 看过yolov3...
Yolov3-spp系列 | yolov3spp的训练验证与测试过程
Clichong
04-15 2121
如有错误，恳请指出。 在上一篇文章中，见《Yolov3-spp系列 | yolov3spp的正负样本匹配》，介绍了yolov3spp的最难部分，就是正负样本的匹配以及损失计算，那么现在就可以了解整个训练的过程，以及验证与测试过程，在知道了yolov3spp如何进行正负样本的匹配，以及如何设置损失函数，剩下的就没有那么令人头疼了。 所以接下来，用这一篇文章来对yolov3spp这个目标检测算法的训练、验证以及来做一个总结。 文章目录1. 训练过程1.1 参考代码1.2 简要分析2. 验证过程2.1 参考代.
yolo - train_detector - Resizing
程永强
02-11 1448
yolo - train_detector - Resizing/home/strong/eclipse-workspace/darknet_0921/examples/detector.cvoid train_detector(char *datacfg, char *cfgfile, char *weightfile, int *gpus, int ngpus, int clear) { }p...
YOLOv5的Tricks | 【Trick12】YOLOv5使用的数据增强方法汇总
热门推荐
Clichong
08-07 2万+
在专栏前面的内容一直介绍的是yolov5训练时候使用的一些技巧，这里用这篇博客最后归纳一下yolov5在数据增强上所使用的技巧。 在yolov3-spp专栏的时候，我介绍过yolov3-spp大致所使用的一些数据增强的方法： 数据增强：Mosaic 数据增强：随机旋转、平移、缩放、错切、HSV 在之前详细的介绍过代码，而在yolov5这里，其实代码是类似的，甚至函数的名字都没有变化，看过源码的朋友就可能知道了，改变的地方其实不是很多，所以这里就不再详细介绍代码的细节了，只是总结一下使用的数据增强。...
YOLOv4结构以及用到的tricks与创新总结
weixin_43646592的博客
02-16 3160
本文参考了几位大佬的文章，然后作了下总结。（文中用到的图大部分来源于他们的文章，还有各算法对应的论文）文末参考链接附有这几位大佬的博客地址。 先放上YOLOv3和YOLOv4的结构图，好有个大致的思路： YOLOv3: YOLOv4: 图中的说明： 1. Concat：张量拼接，会扩充两个张量的维度，例如2626256和2626512两个张量拼接，结果是2626768。Concat和cfg文件中的route功能一样。 2. add：张量相加，张量直接相加，不会扩充维度，例如104104128和10410
实用！使用darknet版YOLOv3训练自己的数据(GPU版)，超详细！
ethan_sui的博客
04-01 1万+
分两部分，第一部分是环境的配置，第二部分是算法的使用 一、环境配置（本人使用的ubuntu16.04系统） 安装Nvidia显卡驱动 添加ppa源: $　sudo add-apt-repository ppa:graphics-drivers/ppa 更新一下: $　sudo apt-get update 安装驱动： $　sudo apt-get install nvidia-xxx　　　...
YOLOv3 -＞ YOLOv4 -＞ YOLOv5的改进（tricks）
m0_52785249的博客
05-14 5328
YOLO系列内容 简介 YOLOv4的原创部分 CSPDarknet-53 Mosaic数据增强 SAT自对抗训练 PAN结构 ★★★个人理解（add和concat） YOLOv4一些tricks的应用 遗传算法 SPP模块 Mish激活函数 Dropblock 补充trick SE module YOLOv5主要应用的tricks 自适应图片缩放 CSP ★★★个人理解（残差模块和CSP的区别） CIOU 参考资料
YoloV5 训练长方形图像
无能狂怒博客
11-07 1万+
YOLO训练长方形图像
Yolo训练技巧：Rectangular training/inference
zicai_jiayou的博客
11-11 7311
Rectangular training/inference 矩形训练/推理 参考：https://www.cnblogs.com/pprp/p/12432540.html YOLOv3中是下采样32倍，长宽也必须是32的倍数，所以在进入模型前，数据需要处理到416×416大小，这个过程称为仿射变换。 实现代码： # 来自 https://zhuanlan.zhihu.com/p/93822508 def cv2_letterbox_image(image, expected_size):
Yolov5之矩形推理
m0_47026232的博客
04-30 2465
在Yolov5项目中，矩形推理是一种重要的技巧，减少了数据的冗余信息，可以在几乎没有精度损失的情况下，加快模型推理的速度。在本文中，我将对矩推理的原理以及源码部分进行介绍，以及我个人以前在学习过程中的一些思考，其实原理不难，主要就是把整个思路梳理清楚。
yolov5的Tricks
最新发布
09-12
YOLOv5中使用的Tricks基本上和YOLOv4一致，并在此基础上引入了更多的工程优化逻辑。具体来说，YOLOv5使用了一些技巧来提高物体检测的准确性和效率。其中一些Tricks包括： 1. Mosaic数据增强：YOLOv5使用了Mosaic数据增强技术，将多个不同的训练图像拼接成一个大的训练图像，从而提高了模型的泛化能力和鲁棒性。 2. DropBlock正则化：YOLOv5使用了DropBlock正则化技术，通过随机丢弃一些特征图上的区域，来防止模型过拟合，并提高模型的泛化能力。 3. PANet特征融合：YOLOv5引入了PANet（Path Aggregation Network）特征融合模块，可以在不同尺度上融合特征，从而提高物体检测的准确性。 4. CSPDarknet53骨干网络：YOLOv5使用了CSPDarknet53作为骨干网络，该网络结构在YOLOv4的基础上进行了改进，提高了网络的表达能力和特征提取能力。 这些Tricks的使用使得YOLOv5在物体检测任务中取得了较好的性能，同时也提高了训练和推理的效率。
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