yolov5原理到实现

参考论文：

Scaled-YOLOv4: Scaling Cross Stage Partial Network

You Only Look Once: Unified, Real-Time Object Detection

YOLO将物体检测作为回归问题求解。基于一个单独的end-to-end网络，完成从原始图像的输入到物体位置和类别的输出。从网络设计上，YOLO与rcnn、fast rcnn及faster rcnn的区别如下：

YOLO训练和检测均是在一个单独网络中进行。YOLO没有显示地求取region proposal的过程。而rcnn/fast rcnn 采用分离的模块（独立于网络之外的selective search方法）求取候选框（可能会包含物体的矩形区域），训练过程因此也是分成多个模块进行。

我们将该模型实现为卷积神经网络，并在PASCAL VOC检测数据集上对其进行评估。网络的初始卷积层从图像中提取特征，而完全连接的层预测输出概率和坐标。

YOLO的网络有24个卷积层，后面是2个完全连接的层。使用了1×1还原层和3×3卷积层。完整的网络如下图所示。

search模块，将RPN集成到fast rcnn检测网络中，得到一个统一的检测网络。尽管RPN与fast rcnn共享卷积层，但是在模型训练过程中，需要反复训练RPN网络和fast rcnn网络（注意这两个网络核心卷积层是参数共享的）。

experiment

实验过程：

YOLO模型训练分为两步：

1）预训练。使用ImageNet

1000类数据训练YOLO网络的前20个卷积层+1个average池化层+1个全连接层。训练图像分辨率

resize到224x224。

2）预训练得到的前20个卷积层网络参数来初始化YOLO模型前20个卷积层的网络参数，然后用VOC 20类标注数据进行YOLO模型训练。为提高图像精度，在训练检测模型时，将输入图像分辨率resize到448x448。

Yolo的优点：

• 快。YOLO将物体检测作为回归问题进行求解，整个检测网络pipeline简单。在titan x GPU上，在保证检测准确率的前提下（63.4% mAP，VOC 2007 test set），可以达到45fps的检测速度。

• 背景误检率低。YOLO在训练和推理过程中能‘看到’整张图像的整体信息，而基于region proposal的物体检测方法（如rcnn/fast rcnn），在检测过程中，只‘看到’候选框内的局部图像信息。因此，若当图像背景（非物体）中的部分数据被包含在候选框中送入检测网络进行检测时，容易被误检测成物体。测试证明，YOLO对于背景图像的误检率低于fast rcnn误检率的一半。

• 通用性强。YOLO对于艺术类作品中的物体检测同样适用。它对非自然图像物体的检测率远远高于DPM和RCNN系列检测方法。

但相比RCNN系列物体检测方法，YOLO具有以下缺点：

• 识别物体位置精准性差。

• 召回率低。

Result

YOLO是一种用于目标检测的统一模型。我们的模型构造简单，可以训练直接在完整图像上。与基于分类器的方法不同，YLO是根据直接对应于检测性能的损失函数进行训练的，整个模型是联合训练的。

Fast YOLO是速度比较快的通用目标检测器，YOLO推动了实时目标检测的最新发展。YOLO还可以很好地推广到新的领域，使其成为依赖于快速、健壮的对象检测的应用程序的理想选择。

复现流程：

参考代码：

GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

1.使用自己的数据集（voc格式）训练模型
2.推理：
​​​​​​​model = torch.hub.load('ultralytics/yolov5', 'yolov5s')  # or yolov5m, yolov5l, yolov5x, custom

可以在这里更改模型

测试：

python3 detect.py --weights yolov5n.pt --img 640

将测试图片或者视频放在yolov5/data/images下面

复现结果：

​​​​​​​​​​​​​​

版权声明：本文为CSDN博主「这个利弗莫尔不太冷」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/weixin_48262500/article/details/121506045