【技术】一种基于YOLOv5的高分遥感影像目标检测方法

2种方法结合后,经过训练,模型的性能比原始模型更为稳定,结果表明GC-YOLOv5模型的精度、召回率、mAP值均优于YOLOv5模型,精度提高3.65%,召回率增长4.21%,mAP@0.5值增加2.84%,并且模型的参数数量也有所减少,减少了0.97×106个,生成的权重文件也减少了4.1MB,FPS提高了5.86幅/s。表3方法性能测试实验结果3.2NW...

基于改进YOLOv5s模型的风电叶片内腔缺陷检测

由图8可以看出,原YOLOv5s方法只能检测出1个较大的缺陷区域,并且目标框不够紧致,而改进方法能够检测出2个较小的缺陷区域,并且目标框更加贴合缺陷边缘,改进方法相比原YOLOv5s方法在叶片小缺陷识别及整体检测准确度方面均有明显提升。测试实验结果表明,改进后的模型相较于原YOLOv5s模型提升了检测准确率,使用ASPP后...

CV最新论文|3月21日 arXiv更新论文合集

RadSplat:RadianceField-InformedGaussianSplattingforRobustReal-TimeRenderingwith900+FPSRadSplat：Radiance场知情高斯飞溅，可实现900+FPS的稳健实时渲染摘要：视图合成和实时渲染的最新进展以令人印象深刻的渲染速度实现了逼真的质量。虽然基于RadianceField的方法在野外捕获和大规模场景等具有挑战...

超越YOLOv5的PP-YOLOv2和1.3M超轻量PP-YOLO Tiny都来了!

如图1可见,PP-YOLOv2在同等速度下,精度超越YOLOv5!相较20年发布的PP-YOLO,v2版本在COCO2017test-dev上的精度提升了3.6%,由45.9%提升到了49.5%;在640*640的输入尺寸下,FPS达到68.9FPS,而采用TensorRT加速的话,FPS更是达到了106.5!这样的性能,超越了当前所有同等计算量下的检测...

超越YOLOv4、v5的PP-YOLOv2来了!

图1PP-YOLOv2和其他目标检测器性能对比如图1可见,PP-YOLOv2在同等速度下,精度超越YOLOv5!相较20年发布的PP-YOLO,v2版本在COCO2017test-dev上的精度提升了3.6%,由45.9%提升到了49.5%;在640*640的输入尺寸下,FPS达到68.9FPS,而采用TensorRT加速的话,FPS更是达到了106.5!这样的性能,超越了当前所有同等计算量...

超越YOLOv5,1.3M超轻量,高效易用,目标检测领域这一个就够了!

延续v1版本的理念,PP-YOLOv2持续深化考虑在产业实践中需要兼顾算法的精度和速度,PP-YOLOv2(R50)mAP从45.9%达到了49.5%,相较v1提升了3.6个百分点,FPS高达106.5FPS,超越了YOLOv4甚至YOLOv5!而如果使用RestNet101作为骨架网络,PP-YOLOv2(R101)的mAP更高达50.3%,并且比同等精度下的YOLOv5x快15.9%!

YOLOv5它来了!YOLOv4发布不到50天,它带着推理速度140帧/秒、性能...

用户的测试实例并没有给出与前代YOLOv4的对比,但官方给出了数据说明。YOLOv5速度比前代更快,在运行TeslaP100的YOLOv5Colab笔记本中,每个图像的推理时间快至0.007秒,意味着每秒140帧(FPS)!相比之下,YOLOv4在转换为相同的UltralyticsPyTorch后达到了50帧。

YOLOv7上线:无需预训练,5-160 FPS内超越所有目标检测器

如果我们使用输入分辨率1280比较YOLOv7和YOLOR，YOLOv7-W6的推理速度比YOLOR-P6快8fps，检测率也提高了1%AP。YOLOv7-E6和YOLOv5-X6（r6.1）对比，前者AP增益比后者高0.9%，参数少45%，计算量少63%，推理速度提升47%。YOLOv7-D6的推理速度与YOLOR-E6接近，但AP提高...

YOLO界再起波澜,mAP 51.4,149FPS,目标检测,一个就够了

详细数据如图1所示,其中PP-YOLOE-l在COCOtest-dev上精度可达51.4%,在V100上使用TRTFP16进行推理,速度可达149FPS,相较于YOLOX-l[4]精度提升1.3AP,速度提升24.96%;相较于YOLOv5-x[5]精度提升0.7AP,TRT-FP16加速26.8%;相较于PP-YOLOv2[6]精度提升1.9AP,速度提升13.35%。

改进Yolov5 | 用 GSConv+Slim Neck 一步步把 Yolov5 提升到极致!!!

2、Slim-Neck针对YOLO系列的设计YOLO系列检测器由于检测效率高,在行业中应用更为广泛。这里使用slim-neck的模块来改造Scaled-YOLOv4和YOLOv5的Neck层。图6和图7显示了2种slim-neck架构。图6图73、免费的改进Tricks可以在基于CNNs的检测器中使用一些局部特征增强方法,结构简单,计算成本低。这些增强方法...