YOLO-Z: 自动驾驶车辆中改进 YOLOv5 小物体检测
在小物体检测领域,针对计算代价大且预测性能有待提高的问题,提出了一种改进的 YOLOv5 模型:HIC-YOLOv5。它通过添加特定于小物体的额外预测头部以提供更高分辨率的特征图进行更精确的预测,采用了 involution 块在主干网和 neck 之间以增加特征图的通道信息,并在主干网的末端应用了一种名为 CBAM 的注意力机制,从而不仅减少了与先前方法相比的计算代价,还加强了通道和空间域中的重要信息。在 VisDrone-2019-DET 数据集上,HIC-YOLOv5 的 mAP@[.5:.95] 提高了 6.42%,[email protected] 提高了 9.38%。
Sep, 2023
我们在本文中提出了 YOLO-TLA,这是一种基于 YOLOv5 的先进物体检测模型,通过在颈部网络金字塔架构中引入一个额外的检测层来检测小对象,从而提供一个更大尺度的特征图以辨别小对象的更细致特征,并将 C3CrossCovn 模块集成到骨干网络中,有效地减少计算需求和参数数量,使模型更加紧凑
Feb, 2024
本文综述了 YOLO(You Only Look Once)目标检测算法的演进,着重介绍了 YOLOv5、YOLOv8 和 YOLOv10。分析了这些版本的架构改进、性能提升以及在边缘部署方面的适用性。研究结果表明在准确性、效率和实时性能方面不断取得了进展,并强调了它们在资源受限环境中的适用性。本综述提供了模型复杂性和检测准确性之间的权衡,为选择特定边缘计算应用的最合适的 YOLO 版本提供指导。
Jul, 2024
通过消除非极大值抑制(NMS)的依赖性和综合优化 YOLOs 的各个组件,本研究提出了一种新一代的实时端到端目标检测模型 YOLOv10,其在性能和效率方面均取得了最新的成果。
May, 2024
YOLO 是一种新的目标检测方法,使用单个神经网络从完整图像中直接预测边界框和类别概率,具有实时处理速度、误检低和物体的通用表示等优势。
Jun, 2015
本文提出一种基于 Ghost-YOLOv7 的轻量级车辆检测算法,该算法的宽度为 0.5,而且使用 Ghost convolution 替换了骨干网络的标准卷积以实现轻量级化、提高检测速度,进而增强了特征提取能力、丰富了语义信息并提高了检测准确度。同时,引入坐标注意力机制来抑制环境干扰。该算法的实验表明,相较于原有算法,检测速度提高 27FPS,能够有效降低计算复杂度和参数数量,且在多项指标上表现更好,可用于智能交通系统。
Apr, 2023
通过结合超分辨率和经过修改的轻量级 YOLOv5 架构,我们提出了一种创新的方法,用于在航空影像中准确检测小型密集目标,并通过一系列数据集的评估,证明该模型在高密度遮挡条件下能够实现更好的检测结果,从而为航空影像中的目标检测领域带来显著进展。
Jan, 2024
该研究通过比较分析 YOLOv5 和 YOLOv8 模型,挑战了后者在性能指标上的优越性的普遍假设。与最初的预期相反,YOLOv5 模型在目标检测任务中表现出了可比较的甚至在某些情况下优越的精度。我们的分析探讨了导致这些发现的底层因素,包括模型架构复杂性、训练数据集的差异和实际应用性等方面。通过严格测试和消融研究,我们呈现了对每个模型能力的细致理解,为选择和优化用于机器人应用的目标检测框架提供了洞察。该研究的意义扩展到更高效和情境适应性系统的设计,强调了评估模型性能的整体方法的必要性。
Jun, 2024
本篇论文探讨了基于 YOLOX 算法的 DecIoU 边界框回归损失函数和 Push Loss 用于改进路面物体检测问题,并且通过采用动态锚箱机制提升了检测精度,实验在 KITTI 数据集上证明了该方法的有效性。
Feb, 2023
深度学习目标检测在帮助视力受损者避开障碍物方面是一种有效的方法,本文通过实现并评估七种不同的 YOLO 目标检测模型(YOLO-NAS,YOLOv8,YOLOv7,YOLOv6 和 YOLOv5)来分析这些模型在道路和人行道上常见物体的图像上的表现,并发现 YOLOv8 是最佳模型,其在包含 VOC、COCO 和 TT100K 数据集的 Obstacle 数据集上表现出 80% 的精确度和 68.2% 的召回率,尽管 YOLO-NAS 是最新的模型,在其他应用中表现更好,但对于障碍物检测任务来说并不理想。
Dec, 2023