YOLOV5中添加Task-Specific Context Decoupling

最新推荐文章于 2025-03-19 16:07:10 发布
最新推荐文章于 2025-03-19 16:07:10 发布
阅读量1.5k 收藏 9
点赞数 3
分类专栏： yolov5改进 文章标签： python 开发语言 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/weixin_45459097/article/details/130028804
版权
文章详细介绍了如何将TSCODE集成到Yolov5中，包括代码修改步骤，如插入类、修改函数，解决torch.concat报错问题，调整配置文件以及处理训练时的wandb错误。此外，建议使用最新版本的代码以减少兼容性问题。

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

注明：以下代码以及修改思路均来源于b站博主魔傀面具，特此感谢！魔导的主页奉上：

魔傀面具的个人空间_哔哩哔哩_bilibili

        撰写此文章的目的是记录改进代码的过程以及碰到的一些问题及解决方式，如有侵权，可联系我，我会将文章进行隐藏。

        更加细节的东西建议去b站听魔导讲解一下，此文章主要是对代码进行复现，不涉及任何理论知识。

Task-Specific Context Decoupling文章链接：2303.01047.pdf (arxiv.org)

完整代码链接：objectdetection_script/yolov5-TSCODE.py at master · z1069614715/objectdetection_script (github.com)

一、代码修改

 

最低0.47元/天 解锁文章
深度学习论文: Task-Specific Context Decoupling for Object Detection及其PyTorch实现
mingo_敏
03-14 2360
目标检测还需要定位出图像中每个感兴趣目标所在的位置和类别信息，但是定位和分类两个子任务对特征上下文的偏好并不一致，其中，定位需要更多的边界感知特征来准确地回归边界框，而分类任务则需要更多的语义上下文信息。两者之间存在一种空间不对齐(spatial misalignment)的问题。通过实验，作者提出全连接头可能更适合分类任务，而卷积头则更适合定位任务，这是因为fc-head比conv-head具备更高的空间敏感性，具有更强的区分完整对象和部分对象的能力，但对于回归整个对象并不稳健。
即插即用! | 国防科大联合慕尼黑工业大学提出新型解耦头 TSCODE: 引入yolov5/yolov7助力目标检测器轻松涨点！
04-20 1873
解耦头优化：新型解耦头 TSCODE， 引入yolov5/yolov7助力目标检测器轻松涨点！
特定任务上下文解耦用于目标检测（Chat-GPT协助完成）
gzq0723的博客
04-14 664
今天就让我来给大家介绍新技术，我是大家耳熟能详的Chat-GPT！01概述目标检测是计算机视觉领域中的一个重要问题，其中分类和定位任务之间存在不一致性
感受野可视化脚本，参照魔傀面具老师做了部分修改
最新发布
m0_59522119的博客
03-19 29
'weight': '/root/pictures/modules/11-n/best.pt', # 只需要指定权重即可。'save_path': '/root/对比图片/base/result2.png'random.shuffle(image_paths) # 随机打乱图片列表。
module ‘torch’ has no attribute ‘xxx’ 问题
w1290027的博客
07-02 3万+
import torch出现错误：module ‘torch’ has no attribute 'from_numpy’ 刚接触torch，好不容易安装成功（pip install torch1.5.1+cpu torchvision0.6.1+cpu -f https://download.pytorch.org/whl/ torch_stable.html），cpu版本，打开发现这样问题：module ‘torch’ has no attribute ‘from_numpy’ 心情很是糟糕，求助了淘
wandb.errors.UsageError: api_key not configured (no-tty). call wandb.login(key=[your_api_
记录我目之所及的世界
12-16 5066
wandb的BUG、yolov7
在已经安装了torch的情况下，还是出现AttributeError: module ‘torch‘ has no attribute ‘__version__‘的解决办法
专注嵌入式~
11-25 5682
最快的方法直接重开。或者参考引文3。至于上述cuda版本可以参考自己的driver version在cmd中利用指令即可查看。nvidia-smi参考下表看那个cuda与自己的driver version契合。
Task-Specific Context Decoupling for Object Detection 组会汇报ppt
11-16
在本次组会汇报的PPT中，主题是"Task-Specific Context Decoupling for Object Detection"，即针对目标检测的特定任务上下文解耦。这一研究主要聚焦于解决目标检测任务中的空间不对齐问题，特别是定位和分类两个子...
目标检测12
whaosoft143ai的博客
07-13 138
在FCOS中，两个任务之间的竞争可以在顶部图中清晰地看到，即最高IoU的边界框（绿色）的分类信心较低，而最高分类得分的边界框（蓝色）的边界框预测较差。该方法在分类任务中生成空间粗糙但语义强烈的特征编码，在定位任务中提供高分辨率的特征映射，可以更好地回归对象边界。在分类任务中，我们可以使用上一节中生成的空间粗糙但语义强烈的特征编码，以更好地回归对象边界。在今天分享中，我们将介绍任务特定上下文分离方法的基本原理和实现方法，包括如何在分类任务中更好地利用上下文信息，以及如何在定位任务中更好地利用特征信息。
AttributeError: module ‘torch‘ has no attribute ‘_six‘
cumtchw
07-31 1万+
在NVIDIA Jetson xavier NX上面安装了torch之后，在import的时候提示AttributeError: module 'torch' has no attribute '_six Google 搜索得到如下答案， 抱着试一试的心态，重启了下，结果问题解决
YOLOV5改进-loss-Optimal Transport Assignment(OTA)
qq_69854365的博客
05-22 1790
OTA源于2021年cvpr的论文，我认为就是使训练和验证的标签有着更好的对应关系，01提出了一种基于优化策略的标签分配方式，通过最小化loss，让网络自己学习最优的标签分配方式。将真实标签(GT)看做标签(label)供应商，锚框(anchor ) 看做标签(label)的需求方。对于不同样本有不同的loss。对于正样本，将分类和回归的 loss 加权和作为传输loss。对于负样本，传输loss就为分类 loss。
yoloV5训练出错：wandb.errors.UsageError: api_key not configured (no-tty). call wandb.login(key=[your_api_
小坏蛋的博客
03-25 2万+
yoloV5训练出错：wandb.errors.UsageError: api_key not configured (no-tty). call wandb.login(key=[your_api_
YOLOv5改进（辅助训练头）
eagleflying_cau的博客
06-09 1135
2.在train.py中的loss替换为ComputeLossAuxOTA（注意也要导入）1.在utils/loss.py中添加了ComputeLossAuxOTA。3.修改yaml文件。
yolov7轻量级上采样算子CARAFE
cyh20182808的博客
04-17 2274
将后面的参数删掉，即[None, 2, 'nearest']改为[1, 5]，下一个改为[1, 7]将以上代码复制到models文件夹下的common.py文件粘贴在最下面。在cfg文件夹下training文件夹下的yolov7.yaml中。在head部分，将nn.Upsample上采样都改成CARAFE。在yolo.py中将以下代码粘贴到红箭头指向的下一行。
pytorch实践中module 'torch' has no attribute 'form_numpy'问题的解决
大数据挖掘SparkExpert的博客
09-25 3万+
最近开始仔细玩了一下pytorch，发现里面有个BUG之前都没有发现。 在测试torch最基本的示例的情况下，居然碰到了个pytorch无法转化numpy为Tensor的问题，呈现的问题如下： ndscbigdata@ndscbigdata:~/work/change/AI$ python Python 3.6.1 (default, Jul 14 2017, 17:08:44) [GCC
YOLO系列模型改进指南
热门推荐
qq_37706472的博客
03-05 7万+
YOLO主流模型改进大杂烩！！！ 目前包含yolov5，yolov7，yolov8模型的众多改进方案，效果因数据集和参数而定，仅供参考。
Object_detection的配置
weixin_42393848的博客
07-04 3251
Object_detection的配置 下载models-master 1、打开网址：https://github.com/tensorflow/models 2、下载所有文件： 3、下载完成后解压缩到目标文件夹下。 进行配置 安装Pycocotools 1、安装需要vc++14.0开发环境,如果没有安装可以在网址http://go.microsoft.com/fwlink/?LinkId=69...
YOLOv5-7.0解决报错 wandb: Network error (TransientError), entering retry loop.
这里什么也没有
10-29 5186
最近在复习yolov5目标检测代码时用了yolov5的最新7.0版本，之前用的是5.0版本，这一新版本相对于之前做了一些提升，对于package的兼容也要好了很多，但也不是说下载了直接就能运行，实际使用过程中还是遇到了许多新的问题，下面就我自己碰到的问题提出解决方法。
yolov5轻量化neck
03-01
### YOLOv5 Lightweight Neck Implementation and Optimization Techniques In object detection models like YOLOv5, the neck structure plays a crucial role in feature fusion between different layers. For lightweight implementations aimed at improving efficiency while maintaining performance, several strategies can be employed. #### Feature Pyramid Network (FPN) A common approach used within many detectors including lighter versions involves adopting or modifying FPNs. These networks aggregate multi-scale features from top-down pathways with lateral connections that help enhance small objects' detectability without significantly increasing computational cost[^1]. For instance: ```python class LiteNeck(nn.Module): def __init__(self, input_channels=256): super(LiteNeck, self).__init__() # Define operations for bottom-up path augmentation. self.bottom_up_convs = nn.Sequential( ConvBlock(input_channels), ... ) def forward(self, inputs): p3_out, p4_out, p5_out = inputs # Perform upsampling and concatenation as per standard FPN design but optimized. ... ``` #### Depthwise Separable Convolutions Replacing traditional convolutions with depthwise separable ones reduces parameter count drastically by decoupling spatial filtering from point-wise mixing of channels. This technique has been successfully applied not only in classification tasks but also proves beneficial when designing efficient detector components such as neck modules: ```python def dw_conv(in_ch, out_ch, kernel_size=3, stride=1, padding=1): return nn.Sequential( nn.Conv2d(in_ch, in_ch, kernel_size, stride=stride, groups=in_ch, bias=False, padding_mode='zeros'), nn.BatchNorm2d(in_ch), nn.ReLU(inplace=True), nn.Conv2d(in_ch, out_ch, 1, bias=False), # Pointwise convolution nn.BatchNorm2d(out_ch), nn.ReLU(inplace=True) ) # Incorporate into existing architecture where applicable. ``` #### Channel Shuffling Inspired by ShuffleNet's channel shuffle operation which promotes information flow across grouped channels after group convolutions, this method ensures better utilization of resources during inference time especially on mobile devices constrained by hardware capabilities. By integrating these optimizations tailored specifically towards reducing model size yet preserving accuracy levels comparable to their heavier counterparts, developers achieve faster processing speeds suitable for real-time applications requiring low latency responses.
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

打赏作者

凤酱

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