Anchor box 的尺寸是 YOLO 算法中精准检测到目标的重要一环,合适的 Anchor box 可以大幅度提升网络模型在某一特定项目上的性能,本论文利用 K-means 聚类算法结合粒子群算法(PSO)来确定 Anchor box 的尺寸。 K-…
YOLOv5使用k-means聚类法来初始化了9个anchors,任意地选择了9个聚类和3个尺度,然后在各个尺度上均匀地划分聚类。在COCO数据集上,这9个聚类是(10 × 13),(16 × 30),(33 × 23),(30 × 61),(62 × 45),(59 × 119),(116 × 90),(156 × 198),(373 × 326)。 这9个anchor分别在三个Detect...
将K-means算法聚类生成锚框进行线性尺度缩放，从而提高模型检测精度。三结果分析 相较于YOLOv5s模型，改进YOLOv5s模型大小降低了1.57 MB，减少了模型参数，传输帧速度增加了2.1帧/s，平均精度均值提高了1.7%，表明改进YOLOv5s模型在检测速度和检测精度上均有提升。引用格式沈科,季亮,张袁浩,等.基于改进YOLOv5...
以电力变压器、绝缘子串等六种常见变电站电气设备为例构建图像数据集,采用几何变换与像素变换进行数据扩充,同时采用 K-means 聚类算法对图像进行背景替换来扩充数据集。数据集进行图像预处理后,对 YOLOv5s 算法进行改进,通过引入 C2f 模块提高小目标检测精...
首先，将C3Ghost 和Ghost 模块引入YOLOv5s 检测网络，以降低网络复杂度。其次，引进αIoU 损失函数，以提升目标的定位精度和训练效率。然后，降低网络结构下采样率，并利用KMeans 聚类算法优化先验框大小，以提高小目标检测能力。最后，分别在主干网络和颈部引入坐标注意力（Coordinate Attention ，CA ）和空间深度卷积...
YOLOv5使用k-means聚类法来初始化了9个anchors,任意地选择了9个聚类和3个尺度,然后在各个尺度上均匀地划分聚类。在COCO数据集上,这9个聚类是(10 × 13),(16 × 30),(33 × 23),(30 × 61),(62 × 45),(59 × 119),(116 × 90),(156 × 198),(373 × 326)。
首先,通过在主干特征网络中引入BoT(bottleneck transformer)自注意力机制模块,构建融合整体与局部混合特征的映射结构,增强不同成熟期莲蓬的区分度;其次,采用高效交并比损失函数EIoU(efficient IoU)提高了边界框回归定位精度,提升模型的检测精度;再者,采用...
个别目标非常相似,因此要求算法能够准确定位各种不同尺度目标的位置,同时区分相似目标的类型 。 2、YOLOv3存在的问题 YOLOv3 的 anchor 是基于 K-Means 对数据集聚类得到,存在以下两个问题: 大部分的 anchor 都分布在背景区域,这些 anchor 对检测没有任何作用; ...
黄开启等[6]改进了YOLOv3算法以增加在雾霾天气下的车辆定位精度,尽管如此,仍需要借助传统图像处理方法,难以实现完全端到端的检测。鞠默然等[7]专注于小目标检测问题,对YOLOv3的输出进行上采样和特征融合,通过K-means聚类分析改进网络以有效检测小目标,但研究数据集的多样性有限。李国进等[8]提出了改进的Inception...
yaml配置文件位于models文件夹，对于算法改进至关重要。修改yaml可调整模型结构，但需配合修改common.py和yolo.py中的代码。在YOLOv5s.yaml中，参数配置、先验框、backbone和Head部分详细列出了模型的构建过程，包括使用k-means聚类的先验框、多层卷积和C3结构的backbone，以及FPN+PAN的Head设计。backbone部分...