目标检测|【魔改YOLOv5-6.x（下）】YOLOv5s+Ghostconv+BiFPN+CA 目标检测|深度学习|YOLOv5

文章目录

- 实验说明
- - 训练设置
  - 测试设置
  - 模型选择
  - 模型文件（参考）
- 实验记录（部分）

实验说明【魔改YOLOv5-6.x（上）】：结合轻量化网络Shufflenetv2、Mobilenetv3和Ghostnet
【目标检测|【魔改YOLOv5-6.x（下）】YOLOv5s+Ghostconv+BiFPN+CA】【魔改YOLOv5-6.x（中）】：加入ACON激活函数、CBAM和CA注意力机制、加权双向特征金字塔BiFPN
本文使用的YOLOv5版本为v6.1，对YOLOv5-6.x网络结构还不熟悉的同学，可以移步至：【YOLOv5-6.x】网络模型&源码解析

训练设置

$ python -m torch.distributed.launch --nproc_per_node 2 train.py --weights--cfg yolov5s.yaml --data data/VOC2007.yaml -- hyp data/hyps/hyp.scratch-high.yaml --epochs 300 --device 0,1

实验环境为2个GTX 1080 Ti
数据集为VOC2007
超参数为hyp.scratch-high.yaml
训练300个epoch
其他参数均为源码中默认设置的数值

测试设置

$ python val.py --weights yolov5s.pt --data VOC2007.yaml --img 832 --augment --half --iou 0.6 $ python val.py --weights yolov5s.pt --data VOC2007.yaml --img 640 --task speed --batch 1

使用第一行代码进行map测试（TTA测试方法）
使用第二行代码进行speed测试

模型选择
根据实验效果，最终作出如下选择：

使用Ghostconv模块，替换Backbone和Neck中的Conv模块
Backbone最后（SPPF之前）添加CA注意力机制
Neck部分中添加一条BiFPN

模型文件（参考）
yolov5s-Ghostconv-BiFPN-CA.yaml

# Parameters nc: 20# number of classes depth_multiple: 0.33# model depth multiple width_multiple: 0.50# layer channel multiple anchors: - [10,13, 16,30, 33,23]# P3/8 - [30,61, 62,45, 59,119]# P4/16 - [116,90, 156,198, 373,326]# P5/32# YOLOv5 v6.0 backbone backbone: # [from, number, module, args] [[-1, 1, Conv, [64, 6, 2, 2]],# 0-P1/2 [-1, 1, GhostConv, [128, 3, 2]],# 1-P2/4 [-1, 3, C3, [128]], [-1, 1, GhostConv, [256, 3, 2]],# 3-P3/8 [-1, 6, C3, [256]], [-1, 1, GhostConv, [512, 3, 2]],# 5-P4/16 [-1, 9, C3, [512]], [-1, 1, GhostConv, [1024, 3, 2]],# 7-P5/32 [-1, 3, C3, [1024]], [-1, 1, CABlock, [1024, 32]],# 9 CA <-- Coordinate Attention [out_channel, reduction] [-1, 1, SPPF, [1024, 5]],# 10 ]# YOLOv5 v6.0 head head: [[-1, 1, GhostConv, [512, 1, 1]], [-1, 1, nn.Upsample, [None, 2, 'nearest']], [[-1, 6], 1, Concat, [1]],# cat backbone P4 [-1, 3, C3, [512, False]],# 14[-1, 1, GhostConv, [256, 1, 1]], [-1, 1, nn.Upsample, [None, 2, 'nearest']], [[-1, 4], 1, Concat, [1]],# cat backbone P3 [-1, 3, C3, [256, False]],# 18 (P3/8-small)[-1, 1, GhostConv, [256, 3, 2]], [[-1, 15, 6], 1, Concat, [1]],# cat head P4 <--- BiFPN change [-1, 3, C3, [512, False]],# 21 (P4/16-medium)[-1, 1, GhostConv, [512, 3, 2]], [[-1, 11], 1, Concat, [1]],# cat head P5 [-1, 3, C3, [1024, False]],# 24 (P5/32-large)[[18, 21, 24], 1, Detect, [nc, anchors]],# Detect(P3, P4, P5) ]

实验记录（部分）这里分享一下部分较为完整的实验记录，其他实验记录因为只测试了map，看到效果并不是很好，就没有继续测试其他的指标，因此也就没有放上来。

序号	Model	mAP_50	mAP_0.5:0.95	Speed b1 (ms)	params(M)	FLOPs(G)
0	yolov5s-baseline	72.6	45.9	5.8	7.07	16.0
1	yolov5s-BiFPN	72.6(+0.0)	45.8(-0.1)	5.9	7.14	16.2
2	yolov5s-CA	73.2(+0.6)	46.3(+0.4)	6.3	7.10	16.0
3	yolov5s-BiFPN-CA	72.4(-0.2)	45.3(-0.6)	6.4	7.17	16.2
4	yolov5s-Ghostconv-CA	73.7(+1.1)	47.9(+2.0)	7.8	5.88	13.7
5	yolov5s-Ghostconv-BiFPN-CA	74.1(+1.5)	48.7(+2.8)	7.8	5.95	13.9