网站首页 > 人工智能 > 正文

深度学习计算机视觉目标检测 YOLOv7改进主干结构系列：结合丰富的梯度流信息模块，来自YOLOv8的核心模块

免费编程教学视频人工智能 2024-01-01 15 0

最新创新点改进推荐

-统一使用 YOLO 代码框架，结合不同模块来构建不同的YOLO目标检测模型。

 《芒果书》系列改进专栏内的改进文章，均包含多种模型改进方式，均适用于YOLOv3 、YOLOv4 、 YOLOR 、 YOLOX 、YOLOv5 、 YOLOv7 、 YOLOv8 改进（重点）！！！

 专栏创新点教程均有不少同学反应和我说已经在自己的数据集上有效涨点啦！！包括COCO数据集也能涨点

所有文章博客均包含改进源代码部分，一键训练即可

 对应专栏订阅的越早，就可以越早使用原创创新点去改进模型，抢先一步

点击查看详情：YOLOv5改进、YOLOv7改进｜YOLO改进超过50种注意力机制，全篇共计30万字（内附改进源代码），原创改进50种Attention注意力机制和Transformer自注意力机制

芒果书点击以下链接查看文章目录详情

☁️：一、CSDN原创《芒果改进YOLO高阶指南》强烈改进涨点推荐！推荐指数： ☁️：二、CSDN原创YOLO进阶 | 《芒果改进YOLO进阶指南》改进涨点推荐！推荐指数： ☁️：三、CSDN独家全网首发专栏 | 《目标检测YOLO改进指南》改进涨点推荐！推荐指数：

文章目录

最新创新点改进推荐一、理论部分二、将其应用到YOLOv7中配置文件核心代码其他配置运行配置

一、理论部分

这个模块比较简单，就直接上代码了.

C2f模块来自YOLOv8系列，本质上改进借鉴了YOLOv7核心模块的思想，所以这个严格来说不算改进。

YOLOv5作者和 YOLOv8作者是用一个作者，所以没必要基于YOLOv5加这个了…作者本身就是基于 YOLOv5 改进得到的 YOLOv8

就简单试一下效果吧

这个 C2f 模块中存在 Split 等操作对特定硬件部署没有之前那么友好

图中C2f模块就是ultralytics改进的模块

C2f模块结合了C3模块以及ELAN模块的思想设计图源：https://github.com/ultralytics/ultralytics/issues/189

二、将其应用到YOLOv7中

配置文件

增加以下yolov7_c2f.yaml文件代码演示

# YOLOv5  by YOLOAir, GPL-3.0 license

# parameters

nc: 80 # number of classes

depth_multiple: 1.0 # model depth multiple

width_multiple: 1.0 # layer channel iscyy multiple

# anchors

anchors:

- [12,16, 19,36, 40,28] # P3/8

- [36,75, 76,55, 72,146] # P4/16

- [142,110, 192,243, 459,401] # P5/32

# yolov7 backbone

backbone:

# [from, number, module, args]

[[-1, 1, Conv, [32, 3, 1]], # 0

[-1, 1, Conv, [64, 3, 2]], # 1-P1/2

[-1, 1, Conv, [64, 3, 1]],

[-1, 1, Conv, [128, 3, 2]], # 3-P2/4

[-1, 1, C2f, [128]],

[-1, 1, Conv, [256, 3, 2]],

[-1, 1, MP, []],

[-1, 1, Conv, [128, 1, 1]],

[-3, 1, Conv, [128, 1, 1]],

[-1, 1, Conv, [128, 3, 2]],

[[-1, -3], 1, Concat, [1]], # 16-P3/8

[-1, 1, Conv, [128, 1, 1]],

[-2, 1, Conv, [128, 1, 1]],

[-1, 1, Conv, [128, 3, 1]],

[[-1, -3, -5, -6], 1, Concat, [1]],

[-1, 1, Conv, [512, 1, 1]],

[-1, 1, MP, []],

[-1, 1, Conv, [256, 1, 1]],

[-3, 1, Conv, [256, 1, 1]],

[-1, 1, Conv, [256, 3, 2]],

[[-1, -3], 1, Concat, [1]],

[-1, 1, Conv, [256, 1, 1]],

[-2, 1, Conv, [256, 1, 1]],

[-1, 1, Conv, [256, 3, 1]],

[[-1, -3, -5, -6], 1, Concat, [1]],

[-1, 1, Conv, [1024, 1, 1]],

[-1, 1, MP, []],

[-1, 1, Conv, [512, 1, 1]],

[-3, 1, Conv, [512, 1, 1]],

[-1, 1, Conv, [512, 3, 2]],

[[-1, -3], 1, Concat, [1]],

[-1, 1, C2f, [1024]],

[-1, 1, Conv, [256, 3, 1]],

]

# yolov7 head

head:

[[-1, 1, SPPCSPC, [512]],

[-1, 1, Conv, [256, 1, 1]],

[-1, 1, nn.Upsample, [None, 2, 'nearest']],

[31, 1, Conv, [256, 1, 1]],

[[-1, -2], 1, Concat, [1]],

[-1, 1, C2f, [128]],

[-1, 1, Conv, [128, 1, 1]],

[-1, 1, nn.Upsample, [None, 2, 'nearest']],

[18, 1, Conv, [128, 1, 1]],

[[-1, -2], 1, Concat, [1]],

[-1, 1, C2f, [128]],

[-1, 1, MP, []],

[-1, 1, Conv, [128, 1, 1]],

[-3, 1, Conv, [128, 1, 1]],

[-1, 1, Conv, [128, 3, 2]],

[[-1, -3, 44], 1, Concat, [1]],

[-1, 1, C2f, [256]],

[-1, 1, MP, []],

[-1, 1, Conv, [256, 1, 1]],

[-3, 1, Conv, [256, 1, 1]],

[-1, 1, Conv, [256, 3, 2]],

[[-1, -3, 39], 1, Concat, [1]],

[-1, 3, C2f, [512]],

# 检测头 -----------------------------

[49, 1, RepConv, [256, 3, 1]],

[55, 1, RepConv, [512, 3, 1]],

[61, 1, RepConv, [1024, 3, 1]],

[[62,63,64], 1, IDetect, [nc, anchors]], # Detect(P3, P4, P5)

]

核心代码

./models/common.py文件增加以下模块

class Bottlenecks(nn.Module):

# Standard bottleneck

def __init__(self, c1, c2, shortcut=True, g=1, k=(3, 3), e=0.5): # ch_in, ch_out, shortcut, groups, kernels, expand

super().__init__()

c_ = int(c2 * e) # hidden channels

self.cv1 = Conv(c1, c_, k[0], 1)

self.cv2 = Conv(c_, c2, k[1], 1, g=g)

self.add = shortcut and c1 == c2

def forward(self, x):

return x + self.cv2(self.cv1(x)) if self.add else self.cv2(self.cv1(x))

class C2f(nn.Module):

# CSP Bottleneck with 2 convolutions

def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5): # ch_in, ch_out, number, shortcut, groups, expansion

super().__init__()

self.c = int(c2 * e) # hidden channels

self.cv1 = Conv(c1, 2 * self.c, 1, 1)

self.cv2 = Conv((2 + n) * self.c, c2, 1) # optional act=FReLU(c2)

self.m = nn.ModuleList(Bottlenecks(self.c, self.c, shortcut, g, k=((3, 3), (3, 3)), e=1.0) for _ in range(n))

def forward(self, x):

y = list(self.cv1(x).split((self.c, self.c), 1))

y.extend(m(y[-1]) for m in self.m)

return self.cv2(torch.cat(y, 1))

其他配置

找到./models/yolo.py文件下里的parse_model函数，将类名加入进去

for i, (f, n, m, args) in enumerate(d[‘backbone’] + d[‘head’]):`内部对应位置下方只需要增加代码

参考代码

elif m in [C2f]:

c1, c2 = ch[f], args[0]

if c2 != no: # if not output

c2 = make_divisible(c2 * gw, 8)

args = [c1, c2]

if m in [C2f]:

args.insert(2, n) # number of repeats

n = 1

运行配置

python train.py --cfg yolov7_c2f.yaml

推荐链接

评论可见，请评论后查看内容，谢谢！！！

您阅读本篇文章共花了：

深度学习计算机视觉目标检测

本文由用户于 2024-01-01 发布在金钥匙，如有疑问，请联系我们。
本文链接：https://www.51969.com/post/15780121.html

金钥匙

深度学习计算机视觉目标检测 YOLOv7改进主干结构系列：结合丰富的梯度流信息模块，来自YOLOv8的核心模块

人工智能计算机视觉【基础知识】目标检测评估指标大全

python 数据分析之jupyter notebook工具使用

发表评论取消回复

金钥匙

深度学习 计算机视觉 目标检测 YOLOv7改进主干结构系列：结合丰富的梯度流信息模块，来自YOLOv8的核心模块

人工智能 计算机视觉 【基础知识】目标检测评估指标大全

python 数据分析之jupyter notebook工具使用

相关文章

发表评论取消回复

深度学习计算机视觉目标检测 YOLOv7改进主干结构系列：结合丰富的梯度流信息模块，来自YOLOv8的核心模块

人工智能计算机视觉【基础知识】目标检测评估指标大全