【目标检测实验系列】YOLOv5创新点改进实验:通过转置卷积,动态学习参数,减少上采用过程特征丢失,提高模型对目标的检测精度!(超详细改进代码流程)

1. 文章主要内容

本篇博客主要涉及两个主体内容。第一个 :简单介绍转置卷积 的原理。第二个 :基于YOLOv5 6.x 版本,将Neck部分的upSample改为nn.ConvTranspose2d 转置卷积(通读本篇博客需要10分钟左右的时间 )。

小提示:这些点子都可以用来作为写SCI四区、北大核心论文的一个小创新点!

2. 转置卷积(原理:简单介绍,可自行详细研究)

通俗的讲,转置卷积相对于普通卷积在上采样过程中,能够动态的学习需要补充的参数,这样就可以减少在上采样过程中特征的丢失,尤其是一些小的目标(这是因为,小目标的信息本来是比较少的) 。具体的原理可以参考这篇博客:转置卷积

3. 实验流程

3.1 新建yolov5s-transposed2d.yaml文件

需要注意到,我们通过nn.ConvTranspose2d来代表转置卷积。另外:

python 复制代码
   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.ConvTranspose2d, [256, 4, 2, 1, 0, 256]],

nn.ConvTranspose2d输入输出通道来自于上一层的普通卷积的输出通道,这就意味着,如果想要自定义的添加Neck的位置,需要注意到上层卷积的输出通道数要和转置卷积匹配。博主这里使用nn.ConvTranspose2d替换前两层的upSample。

本实验以yolov5s作为基础模型,其他的YOLOv5模型类似。需要注意到,新建的文件一般存放于models 文件夹下,另外需要修改文件中的nc(即为类别数目,根据自己的数据集来),其代码如下所示:

python 复制代码
# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters
nc: 4  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
anchors:
  - [10,13, 16,30, 33,23]  # P3/8  小目标
  - [30,61, 62,45, 59,119]  # P4/16 中目标
  - [116,90, 156,198, 373,326]  # P5/32  大目标

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2  output_channel, kernel_size, stride, padding
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.ConvTranspose2d, [512, 4, 2, 1, 0, 512]],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.ConvTranspose2d, [256, 4, 2, 1, 0, 256]],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

3.1 在yolo.py文件中引入nn.ConvTranspose2d

添加两个部分的代码到yolo.py文件中如图所示的位置:

3.2 在train.py文件中修改配置文件

在train.py文件中将配置文件修改为yolov5s-transposed2d.yaml,如下图所示:

4. 本篇小结

本篇博客主要介绍了nn.ConvTranspose2d+YOLOv5的修改详细流程,助力模型高效涨点。另外,在修改过程中,要是有任何问题,评论区交流;如果博客对您有帮助,请帮忙点个赞,收藏一下;后续会持续更新本人实验当中觉得有用的点子,如果很感兴趣的话,可以关注一下,谢谢大家啦!

相关推荐
layneyao4 分钟前
大语言模型(LLM)的Prompt Engineering:从入门到精通
人工智能·语言模型·prompt
一点.点4 分钟前
李沐动手深度学习(pycharm中运行笔记)——04.数据操作
pytorch·笔记·python·深度学习·pycharm·动手深度学习
Niuguangshuo20 分钟前
Python 设计模式:访问者模式
python·设计模式·访问者模式
Jamesvalley22 分钟前
【Django】新增字段后兼容旧接口 This field is required
后端·python·django
Luck_ff08101 小时前
【Python爬虫详解】第四篇:使用解析库提取网页数据——BeautifuSoup
开发语言·爬虫·python
边缘计算社区1 小时前
FPGA与边缘AI:计算革命的前沿力量
人工智能·fpga开发
学渣676561 小时前
什么时候使用Python 虚拟环境(venv)而不用conda
开发语言·python·conda
飞哥数智坊1 小时前
打工人周末充电:15条AI资讯助你领先一小步
人工智能
Tech Synapse1 小时前
基于CARLA与PyTorch的自动驾驶仿真系统全栈开发指南
人工智能·opencv·sqlite
layneyao1 小时前
深度强化学习(DRL)实战:从AlphaGo到自动驾驶
人工智能·机器学习·自动驾驶