Seluruh proses menggunakan yolov ke iPhone atau amalan terminal

Klasik pengesanan yang telah lama ditunggu-tunggu mempunyai satu lagi gelombang serangan - YOLOv5. Antaranya, YOLOv5 tidak mempunyai fail yang lengkap Perkara yang paling penting sekarang ialah memikirkan YOLOv4, yang akan mendapat banyak manfaat dalam bidang pengesanan sasaran dan boleh dipertingkatkan dalam senario tertentu. Hari ini kami akan menganalisis YOLOv4 untuk anda Dalam keluaran seterusnya, kami akan berlatih menggunakan YOLOv5 ke telefon Apple atau mengesannya dalam masa nyata melalui kamera pada terminal!

1. Kajian Teknologi

Terdapat sejumlah besar ciri yang dianggap dapat meningkatkan ketepatan rangkaian neural konvolusi (CNN). Gabungan ciri ini perlu diuji secara praktikal pada set data yang besar dan hasilnya disahkan secara teori. Sesetengah fungsi hanya beroperasi pada model tertentu, pada masalah tertentu, atau pada set data kecil manakala beberapa fungsi, seperti penormalan kelompok dan sambung baki, berfungsi pada kebanyakan Model, tugasan dan set data. Makalah ini menganggap bahawa ciri umum ini termasuk sambungan baki berwajaran (WRC), sambungan rentas peringkat (CSP), normalisasi kumpulan kecil silang (CMbN), latihan lawan diri (SAT) dan pengaktifan Mish. Kertas kerja ini menggunakan ciri baharu: WRC, CSP, CMbN, SAT, pengaktifan ralat, penambahan data mozek, CMbN, penyelarasan DropBlock dan kehilangan CIoU, dan menggabungkan sebahagian daripadanya untuk mencapai kesan berikut: 43.5% AP (65.7% AP50), menggunakan Dataset MS+COCO, kelajuan masa nyata 65 FPS pada Tesla V100.

2. Analisis mata inovatif

Peningkatan data mozek

Meletakkan empat gambar ke dalam satu gambar untuk latihan adalah sama. Ini adalah penambahbaikan berdasarkan CutMix mencampurkan dua gambar; gambar. Kemudian latih pada imej ini. Kaedah ini ialah kaedah utama penggayaan imej, membolehkan rangkaian mengemas kini imej secara terbalik untuk menggayakan imej.

Self-Adversarial Training (SAT) juga mewakili teknik penambahan data baharu yang beroperasi dalam 2 peringkat ke hadapan ke belakang Pada peringkat pertama, rangkaian saraf mengubah imej asal dan bukannya pemberat rangkaian serangan musuh ke atas dirinya sendiri, mengubah imej asal untuk mencipta penipuan bahawa tiada objek yang diingini pada imej Pada peringkat ke-2, rangkaian saraf dilatih untuk mengesan objek pada imej yang diubah suai ini dengan cara biasa.

.

Cross mini-batch Normal

CmBN mewakili versi CBN yang diubah suai, seperti yang ditunjukkan dalam rajah di bawah, ditakrifkan sebagai Cross mini-Batch Normalization (CMBN). Ini hanya mengumpul statistik antara kumpulan terkecil dalam satu kumpulan.

ubah suai SAM

Daripada ruang demi ruang ruang SAM kepada perhatian titik demi titik kepada PAN (perhatian yang diubah suai kepada PAN, ; concat.

Eksperimen

Mengambil kaedah peningkatan data sebagai contoh, walaupun ia meningkatkan masa latihan, ia boleh menjadikan prestasi generalisasi model dan keteguhan lebih baik. Contohnya, kaedah peningkatan biasa berikut: .

• Flip
• Putaran
• padam secara rawak
• Cutout
• MixUp
• CutMix
• Ia boleh dilihat melalui eksperimen yang ia menggunakan banyak helah Kaleidoscope, yang menggunakan banyak helah mengikut sasaran rangkaian pengelasan:
• CSPResNeXt-50 ketepatan pengelas
• CSPDarknet-53 ketepatan pengelas
Pada rangkaian YOLOv4Uo (pengesanan MOLOv4, DIGIO, DIUO) Pembelajaran kosinus kadar, pemilihan hiperparameter algoritma genetik, peningkatan data Mozek dan kaedah lain. Jadual berikut ialah keputusan percubaan ablasi pada rangkaian pengesanan YOLOv4:
CSPResNeXt50-PANet-SPP, 512x512

latihan berat

Hasil daripada saiz kumpulan mini yang berbeza:

Akhir sekali, perbandingan hasil pada set data COCO pada tiga siri GPU berbeza, Maxwell, Pascal dan Volta:

Perkara yang paling menarik ialah dalam set data COCO, perbandingan (kelajuan dan ketepatan) dengan rangka kerja lain:

Atas ialah kandungan terperinci Seluruh proses menggunakan yolov ke iPhone atau amalan terminal. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!