标签：主干 yolov5 Yolov4 yolo 304 CSP 结构

https://www.bilibili.com/video/BV1yi4y1g7ro?p=2

讲的不错

 

 v2框架

v3框架：

 

 深度拼接，

而FPN是在对应维度上进行相加。

 

 

one stage存在正负样本不均衡问题：

 

RPN把正负样本占比限制在1：3

yolov5创新点：

yolov4采用了Mosaic数据增强方式，yolov5延续。

yolov3,yolov4中，训练不同数据集中的初始锚框是单独运行的结果，yolov5中集成化，自适应计算不同训练集的最佳锚框值　　https://zhuanlan.zhihu.com/p/172121380

yolov5首次采用focus结构。

以yolov5s结构为例，原始608*608*3的图像输入Focus结构，采用切片操作，先变成304*304*12的特征图，再经过一次32个卷积核的卷积操作，最终变成304*304*32的特征图。

 

Yolov4网络结构中，借鉴了CSPNet的设计思路，在主干网络中设计了CSP结构。

Yolov5与Yolov4不同点在于，Yolov4中只有主干网络使用了CSP结构。

而Yolov5中设计了两种CSP结构，以Yolov5s网络为例，CSP1_X结构应用于Backbone主干网络，另一种CSP2_X结构则应用于Neck中。

 

 

Neck上采用了FPN+PAN的结构，cspnet，增加了特征融合能力。

 

标签：主干,yolov5,Yolov4,yolo,304,CSP,结构
来源： https://www.cnblogs.com/nipper/p/14940195.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。