数据增强是一种在训练深度学习模型时,通过对原始数据进行一系列随机变换来生成更多样化训练样本的技术。在YOLOv7中,数据增强的主要目的是提高模型的泛化能力,使其能够更好地适应各种复杂场景和光照条件,从而提升目标检测的准确性和鲁棒性。 2. YOLOv7常用的数据增强技术 YOLOv7引入了多种数据增强技术,以增加训练数据...
本文提出了基于CutMix数据增强与多约束损失函数的改进YOLOv7盾构隧道渗漏水检测方法。首先采用镶嵌CutMix方法对隧道图像进行数据增强,将多张不同的训练样本进行随机裁剪,拼接融合成具有综合特征的新样本;然后以YOLOv7网络为骨架结构,引入高效通道...
第四周学习记录 | 一、目标检测与 YOLO目标检测旨在图像中定位并识别多类目标,YOLO 系列通过单阶段设计实现速度与精度的平衡。YOLOv1 将图像划分为 7×7 网格,每个网格预测 2 个边界框及 20 类概率,首次实现端到端实时检测(45 FPS)。其核心逻辑是将目标中心所在网格负责预测,输出包含坐标、置信度和类别的张量,...
因此,本研究针对Mosaic数据增强在绝缘拉杆缺陷检测中的劣势,提出了一种具有完整性感知的Mosaic数据增强方法,如图3所示。并结合YOLOv5s网络,经过由具有完整性感知的Mosaic数据增强所建立的数据集训练后,有效提升了模型对绝缘拉杆缺陷的检测性能,...