电脑基础 · 2023年4月18日

【YOLOV5-6.x讲解】YOLO5.0VS6.0版本对比+模型设计

 主干目录:

【YOLOV5-6.x 版本讲解】整体项目代码注释导航现在YOLOV5已经更新到6.X版本,现在网上很多还停留在5.X的源码注释上,因此特开一贴传承开源精神!5.X版本的可以看其他大佬的帖子本文章主要从6.X版本出发,主要解决6.X版本的项目注释与代码分析!......【YOLOV5-6.x讲解】YOLO5.0VS6.0版本对比+模型设计https://blog.csdn.net/qq_39237205/article/details/125729662

以下内容为本栏目的一部分,更多关注以上链接目录,查找YOLOV5的更多信息

祝福你朋友早日发表sci!


1.1 YOLOV6网络模型

1.1.1 V5.5模型图

1.1.2 V6.0模型图

【YOLOV5-6.x讲解】YOLO5.0VS6.0版本对比+模型设计

1.2 V5.5与V6.0的对比

  • 减少操作:使用SPPF()代替原本的SPP()

【YOLOV5-6.x讲解】YOLO5.0VS6.0版本对比+模型设计

  • 更好的导出性:将Focus()替换为一个等效的Conv(k=6,s=2,p=2)

【YOLOV5-6.x讲解】YOLO5.0VS6.0版本对比+模型设计

  • 提高速度:将backbone中的 P3 中的 C3() 从重复次数从9减少为6

【YOLOV5-6.x讲解】YOLO5.0VS6.0版本对比+模型设计

  • 更新超参数:增加了 mixup 和 copy-paste 的数据增强

  • 在最后一个C3() 主干层重新引入 shortcut

  • 数据增强部分:增加了混合和复制粘贴增强

1.3 名词解释

(1)输入端:这里指的创新主要是训练时对输入端的改进,主要包括Mosaic数据增强、cmBN、SAT自对抗训练。

(2)BackBone主干网络:将各种新的方式结合起来,包括:CSPDarknet53、Mish激活函数、Dropblock

(3)Neck:目标检测网络在BackBone和最后的输出层之间往往会插入一些层,比如Yolov4中的SPP模块、FPN+PAN结构

1.4 v6.0的更新内容

  • v6.0 修复了 上一个版本yolov5 v5.0的错误,以及合并了许多新功能;

  • 带来架构调整,还引入了新的模型 P5 和 P6 的纳米版模型:YOLOv5n 和 YOLOv5n6。

  • Nano模型保持 YOLOv5s de 深度的0.33倍,将YOLOv5s 的宽度倍数从 0.50减少到0.25,从而减少了约75%的参数,从7.5M 到1.9M,非常适合移动端和CPU解决方案。

https://blog.csdn.net/qq_39237205/article/details/125730988【YOLOV5-6.x讲解】YOLO5.0VS6.0版本对比+模型设计https://blog.csdn.net/qq_39237205/article/details/125730988