admin管理员组文章数量:1794759
YoloV8改进策略：Gold
在过去的几年中，YOLO系列模型已经成为实时目标检测领域的领先方法。许多研究通过修改结构、增加数据和设计新的损失，将基线推高到更高的水平。然而，我们发现以前的模型仍然存在信息融合问题，尽管特征金字塔网络(FPN)和路径聚合网络(PANet)缓解了这一问题。因此，本研究提供了一种先进的GD机制，该机制通过卷积和自注意力操作来实现。这种新设计的模型被命名为Gold-YOLO，它提高了多尺度特征融合能力，并在所有模型尺度上实现了延迟和准确性之间的理想平衡。此外，我们首次在YOLO系列中实现了MAE风格的预训练，使得YOLO系列模型可以从无监督的预训练中受益。Gold-YOLO-N在COCO val2017数据集上获得了39.9%的AP，在T4 GPU上获得了1030 FPS，比之前的SOTA型号YOLOv6-3.0-N的FPS高+2.4%。PyTorch代码可在，MindSpore代码可在。
改进文章链接：
代码语言：javascript代码运行次数：0运行复制.2014.3001.5502YoloV8官方测试结果
代码语言：javascript代码运行次数：0运行复制YOLOv8l summary (fused): 268 layers, 43631280 parameters, 0 gradients, 165.0 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 29/29 [
all 230 1412 0.922 0.957 0.986 0.737
c17 230 131 0.973 0.992 0.995 0.825
c5 230 68 0.945 1 0.995 0.836
helicopter 230 43 0.96 0.907 0.951 0.607
c130 230 85 0.984 1 0.995 0.655
f16 230 57 0.955 0.965 0.985 0.669
b2 230 2 0.704 1 0.995 0.722
other 230 86 0.903 0.942 0.963 0.534
b52 230 70 0.96 0.971 0.978 0.831
kc10 230 62 0.999 0.984 0.99 0.847
command 230 40 0.97 1 0.995 0.811
f15 230 123 0.891 1 0.992 0.701
kc135 230 91 0.971 0.989 0.986 0.712
a10 230 27 1 0.555 0.899 0.456
b1 230 20 0.972 1 0.995 0.793
aew 230 25 0.945 1 0.99 0.784
f22 230 17 0.913 1 0.995 0.725
p3 230 105 0.99 1 0.995 0.801
p8 230 1 0.637 1 0.995 0.597
f35 230 32 0.939 0.938 0.978 0.574
f18 230 125 0.985 0.992 0.987 0.817
v22 230 41 0.983 1 0.995 0.69
su-27 230 31 0.925 1 0.995 0.859
il-38 230 27 0.972 1 0.995 0.811
tu-134 230 1 0.663 1 0.995 0.895
su-33 230 2 1 0.611 0.995 0.796
an-70 230 2 0.766 1 0.995 0.73
tu-22 230 98 0.984 1 0.995 0.831
Speed: 0.2ms preprocess, 3.8ms inference, 0.0ms loss, 0.8ms postprocess per image
安装包
这里需要安装两个包，一个timm，另一个是mmcv，安装方法如下：
代码语言：javascript代码运行次数：0运行复制pip install timm
pip install -U openmim
mim install 'mmcv==2.0.0rc3'
安装mmcv比较慢，需要耐心等待一下！
测试结果
代码语言：javascript代码运行次数：0运行复制YOLOv8l summary: 420 layers, 73599536 parameters, 0 gradients, 196.3 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 15/15 [00:02<00:00, 5.27it/s]
all 230 1412 0.956 0.932 0.985 0.73
c17 230 131 0.964 0.969 0.992 0.802
c5 230 68 0.952 0.985 0.988 0.815
helicopter 230 43 0.975 0.917 0.979 0.598
c130 230 85 0.976 0.953 0.987 0.65
f16 230 57 0.937 0.912 0.952 0.646
b2 230 2 0.888 1 0.995 0.697
other 230 86 0.961 0.942 0.968 0.53
b52 230 70 0.948 0.943 0.965 0.808
kc10 230 62 1 0.973 0.988 0.827
command 230 40 0.975 0.967 0.988 0.794
f15 230 123 0.975 0.955 0.982 0.664
kc135 230 91 0.972 0.945 0.984 0.686
a10 230 27 0.99 0.889 0.961 0.442
b1 230 20 1 0.981 0.995 0.683
aew 230 25 0.936 1 0.995 0.775
f22 230 17 0.921 1 0.979 0.706
p3 230 105 0.998 0.981 0.995 0.801
p8 230 1 0.811 1 0.995 0.697
f35 230 32 0.997 0.875 0.961 0.546
f18 230 125 0.976 0.973 0.988 0.808
v22 230 41 0.997 1 0.995 0.652
su-27 230 31 0.909 1 0.993 0.863
il-38 230 27 0.959 1 0.995 0.797
tu-134 230 1 0.956 1 0.995 0.995
su-33 230 2 1 0 0.995 0.796
an-70 230 2 0.854 1 0.995 0.796
tu-22 230 98 0.993 1 0.995 0.83
Speed: 0.2ms preprocess, 6.3ms inference, 0.0ms loss, 0.9ms postprocess per image
本文标签： YoloV8改进策略Gold
版权声明：本文标题：YoloV8改进策略：Gold 内容由林淑君副主任自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.xiehuijuan.com/baike/1754670164a1705010.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论