目标检测
YOLOv3
数据处理
- 可输入任意大小的图片(特征图大小最好是32倍数)
- Anchor:K-Means聚类+IOU+NMS
模型结构
- Backbone
- Darknet53
- 无最大池化,步长2卷积层进行下采样
- 每个Conv后 + BN + LeakyReLU
- 引入残差结构
- 中间层和某一层上采样拼接
- 模块
- CBL = Conv + BN + LeakyReLU
- ResUnit = CBL + 残差
- ResX = CBL + N个ResUnit
- Darknet53
- Head
- Conf置信度:Logistic分类器(逻辑回归预测每个框的置信度分数)
- Cls分类:BCELoss
- Bbox目标框:MSELoss
YOLOv5
数据处理
- 马赛克增强
- Anchor-Based,K-means计算锚框(自适应锚框)
模型结构
- Backbone
- 输入进行特征提取
- CSPDarkNet53或ResNet网络
- 模块
- CBS = Conv2d + BN + SILU
- C3 = Conv + ResNet + Add + Concat
- SPPF = Conv + Maxpool + Concat
- Neck
- FPN特征金字塔:上采样+下采样+横向连接,多尺度特征融合
- 自顶向下:上采样融合不同层次特征融合
- 自底向上:卷积层融合不同层次特征图
- Head
- Conf置信度:BCELoss
- Cls分类:BCELoss
- Bbox目标框:CIOU
迭代
- 300
YOLOv8
数据处理
- Mosaic增强
- CutMix、Mixup增强
- Anchor-Free无锚框
模型结构
- Backbone
- CSPDarkNet
- C3–>C2f
- Neck
- PANet,一个双向通路网络,引入了自下向上的路径
- Head
- Cls分类:BCELoss
- Bbox目标框:CIOU + DFL(Distribution Focal Loss)
迭代
- 500
- 最后10轮,Mosaic增强替换为推理式的Letter box
本站资源均来自互联网,仅供研究学习,禁止违法使用和商用,产生法律纠纷本站概不负责!如果侵犯了您的权益请与我们联系!
转载请注明出处: 免费源码网-免费的源码资源网站 » 目标检测算法:对比YOLOv3、YOLOv5、YOLOv8
发表评论 取消回复