YOLOv5改进 | 2023主干篇 | EfficientViT替换Backbone（高效的视觉变换网络）
一、本文介绍 本文给大家带来的改进机制是EfficientViT（高效的视觉变换网络），EfficientViT的核心是一种轻量级的多尺度线性注意力模块，能够在只使用硬件高效操作的情况下实现全局感受野和多尺度学习。本文带来是2023年的最新版本的EfficientViT网络结构，论文题目是'EfficientViT: Multi-Scale Linear Attention for High-Resolut...
YOLOv5改进 | 主干篇 | 12月最新成果UniRepLknet特征提取网络（附对比试验效果图）
一、本文介绍 本文给大家带来的改进机制是特征提取网络UniRepLknet，其也是发表于今年12月份的最新特征提取网络，该网络结构的重点在于使用Dilated Reparam Block和大核心指导原则，强调了高效的结构进行通道间通讯和空间聚合，以及使用带扩张的小核心进行重新参数化，该网络结构就是在LKNet基础上的一个升级版本，LKNet我们之前已经出过教程了。UniRepLknet在各种视觉任务中，包括...
YOLOv5改进 | 融合改进篇 | CCFM + Dyhead完美融合突破极限涨点 (全网独家首发)
一、本文改进 本文给大家带来的改进机制是CCFM配合Dyhead检测头实现融合涨点，这个结构配合在一起只能说是完美的融合，看过我之前的检测头篇的读者都知道Dyhead官方版本支持的输入通道数是需要保持一致的，但是CCFM作为RT-DETR的Neck结构其输出通道数就是一致的，所以将这两种模块结合起来可以说是完美融合，我也将其进行了实验，在我的数据上已经做到了完美涨点！ ，我之前发的Damo-YOLO和CCF...
YOLOv5改进 | 检测头篇 | ASFFHead自适应空间特征融合检测头（全网首发）
一、本文介绍 本文给大家带来的改进机制是利用ASFF改进YOLOv5的检测头形成新的检测头Detect_ASFF，其主要创新是引入了一种自适应的空间特征融合方式，有效地过滤掉冲突信息，从而增强了尺度不变性。经过我的实验验证，修改后的检测头在所有的检测目标上均有大幅度的涨点效果，此版本为三头版本，后期我会在该检测头的基础上进行二次创新形成四头版本的Detect_ASFF助力小目标检测，本文的检测头非常推荐大家使...
YOLOv5独家原创改进：自研独家创新MSAM注意力，通道注意力升级，魔改CBAM
用； 推荐指数：五星 MSCA | 亲测在多个数据集能够实现涨点，对标CBAM。 在道路缺陷检测任务中，原始map为0.8，cbam为0.822 ，MSCA 为 0.855 收录 YOLOv5原创自研 https://blog.csdn.net/m0_63774211/category_12511931.html ...
2023年亚太杯数学建模A题水果采摘机器人的图像识别功能（基于yolov5的苹果分割）
注：.题中附录并没有给出苹果的标签集，所以需要我们自己通过前4问得到训练的标签集，采用的是yolov5 7.0 版本，该版本带分割功能 一：关于数据集的制作： clc;close all;clear;%-----这个是生成yolov5 数据集的--------% 图像文件夹路径folder_path = 'E:/新建文件夹/yatai/Attachment/Apple/';% 图像文件列表im...
ubuntu下训练自己的yolov5数据集
参考文档 yolov5-github yolov5-github-训练文档 csdn训练博客 一、配置环境 1.1 安装依赖包 前往清华源官方地址 选择适合自己的版本替换自己的源 # 备份源文件sudo cp /etc/apt/sources.list /etc/apt/sources.list_bak# 修改源文件# 更新sudo apt update && sudo apt upgrade -y...
YOLOV5改进：RefConv | 即插即用重参数化重聚焦卷积替代常规卷积，无额外推理成本下涨点明显
1.该文章属于YOLOV5/YOLOV7/YOLOV8改进专栏，包含大量的改进方式，主要以2023年的最新文章和2022年的文章提出改进方式。 2.提供更加详细的改进方法，如将注意力机制添加到网络的不同位置，便于做实验，也可以当做论文的创新点 3.涨点效果：RefConv,实现有效涨点！ 论文地址 目录 1.步骤一 2.步骤二 3.步骤三 我们提出了重新参数化的重聚焦卷积（RefConv）作为常规卷积层的替...
改进YOLO系列 | YOLOv5/v7 引入Super Token Sampling ViT | 《CVPR 2023 最新论文》
论文地址：https://arxiv.org/abs/2211.11167 代码地址：https://github.com/hhb072/STViT 视觉变换器已经在许多视觉任务中取得了令人印象深刻的性能。然而，它在捕捉浅层的局部特征时可能会受到高度冗余的影响。因此，引入了局部自注意力或早期卷积，这些方法牺牲了捕捉长距离依赖性的能力。这引发了一个挑战：我们是否可以在神经网络的早期阶段实现高效且有效的全局上下...
yolov5 利用Labelimg对图片进行标注
首先打开yolov5-master，在data文件中新建一个文件夹来存放你需要跑的数据，例如我这次跑的是羽毛球，文件把文件取名为badminton。使用其他文件夹例如images也可以，就是跑多了以后不好整理，然后点击 选中刚刚你存放数据的文件夹，我这就是选择badmintons。 因为我们要框选羽毛球，然后会有一个标注，所以我们在data下，再创建一个文件夹命...