首页 » 机器视觉 » 正文
机器视觉

【目标检测】yolov5与yolox对比

yolov5 yolox-DarkNet53 yolox-SPP
输入端
  1. Mosaic
  2. 自适应锚框计算
  3. 自适应图片放缩
  1. Mosaic
  2. MixUp

(注：epoch=15时这两种数据增强方式关闭，由于这种增强效果更好，ImageNet的预训练无意义)
  1. 增加了EMA权值更新
  2. Cosine学习率机制
  3. 增加了RandomHorizantalFlip,ColorJitter,多尺度数据增广，马赛克数据增强，不执行RandomResizedCrop，因为与马赛克重叠
backbone
  1. Focus结构
  2. CSP结构
  1. DarkNet53
  1. yolov3_SPP
Neck         FPN+PAN结构
  1. FPN
  1. FPN
Head
  1. 训练时：GIOU_Loss
  2. 预测时：DIOU_Loss
  1. Decoupled Head
  2. End-to-End yolo
  3. Anchor-free
  4. Multi positives
  1. Strong augementation
  2. Decoupled Head
  3. anchor-free
  4. multi positives
  5. SimOTA

注：

  1. 在Neck部分：yolov4,yolov5,yolox-s,yolox-l中采用的时FPN+PAN
  2. 在yolox-SPP中，选用的是最基本的yolov3-SPP,如果采用yolov3_ultralytics的yolov3-SPP+四种trick（除strong augementation，因为在此版本代码中已经改进）
  3. 参考一篇比较好的：深入浅出Yolo系列之Yolox核心基础完整讲解|yolo|yolov5|yolov4|算法

版权声明：本文为CSDN博主「易水潇潇666」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_40373651/article/details/121620653

标签： · ·
点赞 0

易水潇潇666

我还没有学会写个人说明！

暂无评论

发表评论

相关推荐

Day 14 - 安装与执行 YOLO
机器视觉 2025-01-13

Day 14 - 安装与执行 YOLO

Day 14 - 安装与执行 YOLO 在 介绍影像辨识的处理流程 － Day 10 有提到 YOLO 模型是由 Joseph Redmon 所提出，而到了 YOLOV4 后才换成另外一群人继续发展，

目标检测自动标注生成xml文件
机器视觉 2025-01-09

目标检测自动标注生成xml文件

前言 在训练目标检测时，标注数据是一项简单而又浪费时间的事情，如果能够自动标注数据将可以高效的扩充数据集，从而提高训练模型的效果。 目前能想到的一种自动标注方法是先训练一个检测效果较好的模型&#xff

Yolo v5 训练自己的数据集
机器视觉 2024-12-21

Yolo v5 训练自己的数据集

Yolo v5 训练自己的数据集 前言 感谢各位大佬尤其是，博主：深度学习菜鸟，参考原文链接https://blog.csdn.net/qq_36756866/article/details/109

分享到：