admin管理员组文章数量:1794759
YoloV5改进策略：复现HIC
摘要
HIC-YOLOv5主要贡献可以总结如下：
- 额外的预测头专为小物体设计。它在更高分辨率的特征图中检测物体，这些特征图包含更多关于微小和小物体的信息。
- 添加了一个内卷积块作为主干和颈部之间的桥梁，以增加特征图的通道信息。
- 在主干的末端应用了CBAM，从而提取了更多重要的通道和空间信息，同时忽略了冗余的信息。
结果表明，HIC-YOLOv5在VisDrone-2019-DET数据集上的mAP@[.5:.95]提高了6.42%，mAP@0.5提高了9.38%。
我们参照HIC-YOLOv5，将这些改进用于YoloV5，效果如何呢？我们一起见证吧！
代码语言：javascript代码运行次数：0运行复制# 官方代码测试结果
```python
YOLOv5l summary: 267 layers, 46275213 parameters, 0 gradients, 108.2 GFLOPs
Class Images Instances P R mAP50 mAP50-95: 100%|██████████| 15/15 [00:02<00:00, 5.16it/s]
all 230 1412 0.971 0.93 0.986 0.729
c17 230 131 0.992 0.992 0.995 0.797
c5 230 68 0.953 1 0.994 0.81
helicopter 230 43 0.974 0.907 0.948 0.57
c130 230 85 1 0.981 0.994 0.66
f16 230 57 0.999 0.93 0.975 0.677
b2 230 2 0.971 1 0.995 0.746
other 230 86 0.987 0.915 0.974 0.545
b52 230 70 0.983 0.957 0.981 0.803
kc10 230 62 1 0.977 0.985 0.819
command 230 40 0.971 1 0.986 0.782
f15 230 123 0.992 0.976 0.994 0.655
kc135 230 91 0.988 0.989 0.986 0.699
a10 230 27 1 0.526 0.912 0.391
b1 230 20 0.949 1 0.995 0.719
aew 230 25 0.952 1 0.993 0.781
f22 230 17 0.901 1 0.995 0.763
p3 230 105 0.997 0.99 0.995 0.789
p8 230 1 0.885 1 0.995 0.697
f35 230 32 0.969 0.984 0.985 0.569
f18 230 125 0.974 0.992 0.99 0.806
v22 230 41 0.994 1 0.995 0.641
su-27 230 31 0.987 1 0.995 0.842
il-38 230 27 0.994 1 0.995 0.785
tu-134 230 1 0.879 1 0.995 0.796
su-33 230 2 1 0 0.995 0.846
an-70 230 2 0.943 1 0.995 0.895
tu-22 230 98 0.983 1 0.995 0.788
改进一
测试结果
代码语言：javascript代码运行次数：0运行复制YOLOv5l summary: 336 layers, 52023454 parameters, 0 gradients, 185.1 GFLOPs
Class Images Instances P R mAP50 mAP50-95: 100%|██████████| 15/15 [00:03<00:00, 4.17it/s]
all 230 1412 0.954 0.923 0.983 0.699
c17 230 131 0.979 0.985 0.994 0.796
c5 230 68 0.966 1 0.994 0.805
helicopter 230 43 0.931 0.884 0.945 0.597
c130 230 85 0.997 0.988 0.994 0.654
f16 230 57 0.865 0.93 0.956 0.629
b2 230 2 0.974 1 0.995 0.58
other 230 86 0.928 0.872 0.957 0.482
b52 230 70 0.95 0.957 0.975 0.776
kc10 230 62 0.99 0.968 0.99 0.816
command 230 40 0.978 0.975 0.993 0.767
f15 230 123 0.891 0.997 0.985 0.657
kc135 230 91 0.985 0.978 0.981 0.68
a10 230 27 1 0.594 0.914 0.357
b1 230 20 0.976 1 0.995 0.757
aew 230 25 0.909 1 0.966 0.765
f22 230 17 0.975 1 0.995 0.754
p3 230 105 0.986 0.971 0.993 0.795
p8 230 1 0.868 1 0.995 0.697
f35 230 32 1 0.826 0.972 0.555
f18 230 125 0.971 0.992 0.976 0.79
v22 230 41 0.992 1 0.995 0.655
su-27 230 31 0.932 1 0.993 0.826
il-38 230 27 0.984 1 0.995 0.781
tu-134 230 1 0.861 1 0.995 0.697
su-33 230 2 1 0 0.995 0.696
an-70 230 2 0.889 1 0.995 0.746
tu-22 230 98 0.98 0.999 0.995 0.776
并没有提升，反而下降了不少！
总结
在写完本文之前，我已经将这篇论文的代码用于解决小目标问题了。出于保密的要求，不能展示给大家，效果大大超预期！欢迎大家在自己的数据集上做尝试。如果有部署的问题，建议将involution这一层去掉！
详见：
.2014.3001.5501
本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。原始发表：2023-11-01，如有侵权请联系 cloudcommunity@tencent 删除设计数据部署测试论文本文标签： YoloV5改进策略复现HIC
版权声明：本文标题：YoloV5改进策略：复现HIC 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/1754670892a1705021.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