yolov5小目标检测-提高检测小目标的检测精度.docx

YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。主要的改进思路如下所示：

输入端：在模型训练阶段，提出了一些改进思路，主要包括Mosaic数据增强、自适应锚框计算、自适应图片缩放；

基准网络：融合其它检测算法中的一些新思路，主要包括：Focus结构与CSP结构；

Neck网络：目标检测网络在BackBone与最后的Head输出层之间往往会插入一些层，Yolov5中添加了FPN+PAN结构；

Head输出层：输出层的锚框机制与YOLOv4相同，主要改进的是训练时的损失函数GIOU_Loss，以及预测框筛选的DIOU_nms。

YOLOv5的网络结构

github链接?/ultralytics/yolov5?

下载之后按照其中的README.md文件进行配置和设置。

YOLOv5数据集的设置

?对yolov5/data/buy.yaml文件进行配置

其中1：yours数据集的根目录

?????2：代表生成yolo要求的txt文件

?????3:??你需要识别的类别数

?????4：你识别类别的名称

小目标检测的难点

当前的检测算法对于小物体并不友好，体现在以下4个方面：

过大的下采样率：假设当前小物体尺寸为15×15，一般的物体检测中卷积下采样率为16，这样在特征图上，过大的下采样率使得小物体连一个像素点都占据不到。

过大的感受野：在卷积网络中，特征图上特征点的感受野比下采样率大很多，导致在特征图上的一个点中，小物体占据的特征更少，会包含大量周围区域的特征，从而影响其检测结果。

语义与空间的矛盾：当前检测算法，如FasterRCNN，其Backbone大都是自上到下的方式，深层与浅层特征图在语义性与空间性上没有做到更好的均衡。

SSD一阶算法缺乏特征融合：SSD虽然使用了多层特征图，但浅层的特征图语义信息不足，没有进行特征的融合，致使小物体检测的结果较差。

提高小目标检测的基本思想

1、数据加强??2、滑动窗口检测：将图片分割为n个小区域分别检测，最后在concat成正常图像大小。本文也是主要介绍这种思想。

相关代码

只需要对yolo下的yaml文件进行如上的配置，就可以大大地提高小目标监测的精度，但是处理时间可能会有所上升。