El detector de objetivos principal está utilizando yolov5 recientemente. No es necesariamente correcto decir algo personal.
En primer lugar, el desarrollo de la serie yolo se ha vuelto muy maduro. Al igual que las mejoras específicas, en realidad existen muchas similitudes entre 4 y 5, ya sea en la columna o en el cuello.
Actualmente, se han mejorado muchos artículos en yolov5. Algunos son livianos en la parte posterior, algunos agregan mecanismos de atención, algunos mejoran el cuello o la cabeza y algunos cambian la función de pérdida o el proceso nms.
La razón principal es que el propio pensamiento de yolo es muy maduro y es realmente difícil realizar algunas innovaciones y actualizaciones universales bajo este marco. En cuanto a incluir varios módulos maduros para publicar artículos, es una cuestión de benevolencia y sabiduría. Personalmente, creo que mejorar yolo debe combinarse con una determinada dirección, y habrá algunas direcciones. Después de todo, la misma mejora a veces tiene efectos diferentes en diferentes conjuntos de datos y escalas.
La función de pérdida de la detección de objetivos de Yolov5 consta de tres partes, a saber, la función de pérdida de predicción de caja rectangular, la función de pérdida de predicción de confianza y la función de pérdida de predicción de categoría. La última sección analiza las deficiencias y mejoras de la función de pérdida de detección de objetivos GIoU, utilizando CIoU y la función de entropía cruzada binaria con factores de ajuste para reemplazar la función de pérdida de la red original.
Los experimentos verificaron esta mejora en comparación con los resultados del algoritmo original, como se muestra en la siguiente tabla. Según los datos de la tabla anterior, se puede ver que la mejora de la función de pérdida en este artículo logró una precisión del 92,1% en el experimento, un aumento del 0,5%. Se puede demostrar que la mejora de la función de pérdida. Es de gran ayuda para mejorar el rendimiento de detección de objetivos.