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。