admin管理员组文章数量:1794759
YoloV5改进策略：LSKNet加入到YoloV5中，打造更适合小目标的YoloV5
点赞+关注，学习AI不迷路！！！
摘要
LSKNet核心思想是通过学习旋转不变的特征表示来提高目标检测的性能。在目标检测任务中，特别是遥感图像的目标检测，目标的旋转是一个常见的挑战。为了解决这个问题，LSKNet采用了一种新颖的旋转敏感的卷积操作，能够有效地捕捉到遥感图像中目标的旋转信息。
LSKNet的设计思路是通过空间选择机制实现自适应感受野。在传统的卷积神经网络中，卷积核的大小是固定的，而在LSKNet中，卷积核的大小是根据输入动态确定的。这意味着该模型可以根据需要调整每个目标的感受野，从而更好地捕捉目标的特征。
除了旋转敏感的卷积操作外，LSKNet还利用了注意力机制来进一步提升目标检测的准确性。注意力机制是一种有效的技术，可以帮助模型更好地关注与目标相关的区域，并抑制无关区域的干扰。在LSKNet中，注意力机制被应用于特征表示上，使得模型能够更好地关注目标的特征，从而提高目标检测的准确性。
在实验中，LSKNet在各种目标检测数据集上都表现出了优异的性能。特别是在遥感图像的目标检测任务中，由于目标的旋转和复杂的背景干扰，传统的目标检测方法往往难以取得理想的结果。然而，LSKNet通过旋转敏感的卷积操作和注意力机制，有效地解决了这些问题，提高了目标检测的准确性。
LSKNet是一种改进的目标检测网络，具有处理旋转目标和自适应感受野的能力。通过引入注意力机制，该网络进一步提升了目标检测的准确性。我们将其引入到YoloV5网络，进一步探索LSKNet在Yolo系列框架的应用，优化网络的性能。
官方代码测试结果
训练了150个epoch，测试结果如下：
代码语言：javascript代码运行次数：0运行复制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: 828 layers, 51420243 parameters, 0 gradients, 123.3 GFLOPs
Class Images Instances P R mAP50 mAP50-95: 100%|██████████| 15/15 [00:04<00:00, 3.43it/s]
all 230 1412 0.961 0.943 0.99 0.699
c17 230 131 0.978 0.992 0.995 0.792
c5 230 68 0.99 1 0.995 0.771
helicopter 230 43 0.937 0.953 0.981 0.591
c130 230 85 0.998 0.988 0.995 0.685
f16 230 57 0.981 0.965 0.979 0.656
b2 230 2 0.865 1 0.995 0.746
other 230 86 0.931 0.944 0.966 0.466
b52 230 70 0.966 0.971 0.98 0.784
kc10 230 62 1 0.977 0.985 0.798
command 230 40 0.985 1 0.995 0.741
f15 230 123 0.992 0.997 0.995 0.661
kc135 230 91 0.978 0.989 0.983 0.655
a10 230 27 0.981 0.815 0.983 0.412
b1 230 20 0.972 0.95 0.988 0.672
aew 230 25 0.937 1 0.993 0.72
f22 230 17 0.933 1 0.995 0.687
p3 230 105 1 0.978 0.994 0.77
p8 230 1 0.765 1 0.995 0.796
f35 230 32 0.963 1 0.987 0.549
f18 230 125 0.988 0.992 0.991 0.793
v22 230 41 0.993 1 0.995 0.665
su-27 230 31 0.98 1 0.995 0.815
il-38 230 27 0.976 0.963 0.993 0.737
tu-134 230 1 0.956 1 0.995 0.697
su-33 230 2 1 0 0.995 0.646
an-70 230 2 0.899 1 0.995 0.821
tu-22 230 98 0.992 1 0.995 0.751
Results saved to runs\train\exp3
mAP50有提升，mAP50-95有下降！
改进二
测试结果
代码语言：javascript代码运行次数：0运行复制 YOLOv5l summary: 218 layers, 44875685 parameters, 0 gradients, 97.5 GFLOPs
Class Images Instances P R mAP50 mAP50-95: 100%|██████████| 15/15 [00:06<00:00, 2.25it/s]
all 230 1412 0.976 0.938 0.989 0.729
c17 230 131 0.989 1 0.995 0.824
c5 230 68 0.983 1 0.995 0.839
helicopter 230 43 0.954 0.965 0.975 0.592
c130 230 85 0.988 1 0.995 0.662
f16 230 57 0.996 0.965 0.991 0.67
b2 230 2 0.904 1 0.995 0.597
other 230 86 0.986 0.965 0.983 0.535
b52 230 70 0.994 0.971 0.985 0.811
kc10 230 62 1 0.977 0.986 0.825
command 230 40 0.994 1 0.995 0.803
f15 230 123 0.956 1 0.994 0.682
kc135 230 91 0.987 0.989 0.986 0.703
a10 230 27 1 0.588 0.913 0.439
b1 230 20 0.992 1 0.995 0.745
aew 230 25 0.953 1 0.992 0.767
f22 230 17 0.986 1 0.995 0.788
p3 230 105 0.999 0.981 0.995 0.784
p8 230 1 0.908 1 0.995 0.597
f35 230 32 1 0.935 0.993 0.529
f18 230 125 0.984 0.992 0.991 0.812
v22 230 41 0.996 1 0.995 0.689
su-27 230 31 0.988 1 0.995 0.814
il-38 230 27 0.961 1 0.995 0.811
tu-134 230 1 0.925 1 0.995 0.895
su-33 230 2 1 0 0.995 0.796
an-70 230 2 0.934 1 0.995 0.846
tu-22 230 98 0.986 1 0.995 0.827
Results saved to runs\train\exp4
mAP50上升， mAP50-95保持不变！
总结
本文尝试了两种改进方法，从结果上看改进二更有效。欢迎大家在自己的数据集上做尝试！
链接：
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：2023-10-26，如有侵权请联系 cloudcommunity@tencent 删除测试模型数据网络性能本文标签： YoloV5改进策略LSKNet加入到YoloV5中，打造更适合小目标的YoloV5
版权声明：本文标题：YoloV5改进策略：LSKNet加入到YoloV5中，打造更适合小目标的YoloV5 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/1754671010a1705023.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