目标检测算法：对比YOLOv3、YOLOv5、YOLOv8
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卷积层举行下采样
[*]每个Conv后 + BN + LeakyReLU
[*]引入残差结构
[*]中心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
[*]Head
[*]Conf置信度：Logistic分类器（逻辑回归猜测每个框的置信度分数）
[*]Cls分类：BCELoss
[*]Bbox目标框：MSELoss
YOLOv5
数据处理
[*]马赛克加强
[*]Anchor-Based，K-means计算锚框（自适应锚框）
模型结构
[*]Backbone
[*]输入举行特征提取
[*]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，多标准特征融合
[*]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加强
[*]CutMix、Mixup加强
[*]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
[*]末了10轮，Mosaic加强替换为推理式的Letter box
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]