admin管理员组文章数量:1487745
YoloV8改进策略：复现HIC
摘要
HIC-YOLOv5主要贡献可以总结如下：
- 额外的预测头专为小物体设计。它在更高分辨率的特征图中检测物体，这些特征图包含更多关于微小和小物体的信息。
- 添加了一个内卷积块作为主干和颈部之间的桥梁，以增加特征图的通道信息。
- 在主干的末端应用了CBAM，从而提取了更多重要的通道和空间信息，同时忽略了冗余的信息。
结果表明，HIC-YOLOv5在VisDrone-2019-DET数据集上的mAP@[.5:.95]提高了6.42%，mAP@0.5提高了9.38%。
我们参照HIC-YOLOv5，将这些改进用于YoloV8，效果如何呢？我们一起见证吧！
Yolov8官方结果
代码语言：javascript代码运行次数：0运行复制YOLOv8l summary (fused): 268 layers, 43631280 parameters, 0 gradients, 165.0 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 29/29 [
all 230 1412 0.922 0.957 0.986 0.737
c17 230 131 0.973 0.992 0.995 0.825
c5 230 68 0.945 1 0.995 0.836
helicopter 230 43 0.96 0.907 0.951 0.607
c130 230 85 0.984 1 0.995 0.655
f16 230 57 0.955 0.965 0.985 0.669
b2 230 2 0.704 1 0.995 0.722
other 230 86 0.903 0.942 0.963 0.534
b52 230 70 0.96 0.971 0.978 0.831
kc10 230 62 0.999 0.984 0.99 0.847
command 230 40 0.97 1 0.995 0.811
f15 230 123 0.891 1 0.992 0.701
kc135 230 91 0.971 0.989 0.986 0.712
a10 230 27 1 0.555 0.899 0.456
b1 230 20 0.972 1 0.995 0.793
aew 230 25 0.945 1 0.99 0.784
f22 230 17 0.913 1 0.995 0.725
p3 230 105 0.99 1 0.995 0.801
p8 230 1 0.637 1 0.995 0.597
f35 230 32 0.939 0.938 0.978 0.574
f18 230 125 0.985 0.992 0.987 0.817
v22 230 41 0.983 1 0.995 0.69
su-27 230 31 0.925 1 0.995 0.859
il-38 230 27 0.972 1 0.995 0.811
tu-134 230 1 0.663 1 0.995 0.895
su-33 230 2 1 0.611 0.995 0.796
an-70 230 2 0.766 1 0.995 0.73
tu-22 230 98 0.984 1 0.995 0.831
Speed: 0.2ms preprocess, 3.8ms inference, 0.0ms loss, 0.8ms postprocess per image
改进一
测试结果
代码语言：javascript代码运行次数：0运行复制YOLOv8l summary (fused): 376 layers, 53497878 parameters, 0 gradients, 369.2 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 15/15 [00:03<00:00, 4.44it/s]
all 230 1412 0.951 0.935 0.985 0.738
c17 230 131 0.983 0.985 0.994 0.809
c5 230 68 0.971 0.979 0.993 0.831
helicopter 230 43 0.972 0.953 0.971 0.612
c130 230 85 1 0.98 0.994 0.655
f16 230 57 0.827 0.93 0.916 0.658
b2 230 2 0.832 1 0.995 0.796
other 230 86 0.955 0.942 0.983 0.546
b52 230 70 0.928 0.916 0.958 0.806
kc10 230 62 1 0.984 0.988 0.827
command 230 40 0.941 1 0.979 0.792
f15 230 123 0.991 0.924 0.978 0.693
kc135 230 91 0.961 0.956 0.961 0.679
a10 230 27 1 0.859 0.994 0.495
b1 230 20 0.971 0.95 0.993 0.688
aew 230 25 0.948 1 0.993 0.798
f22 230 17 0.96 1 0.995 0.772
p3 230 105 0.998 1 0.995 0.823
p8 230 1 0.955 1 0.995 0.597
f35 230 32 0.959 0.906 0.97 0.532
f18 230 125 0.965 0.976 0.987 0.808
v22 230 41 0.989 1 0.995 0.697
su-27 230 31 0.976 1 0.995 0.835
il-38 230 27 0.985 1 0.995 0.842
tu-134 230 1 0.778 1 0.995 0.895
su-33 230 2 1 0 0.995 0.748
an-70 230 2 0.843 1 0.995 0.895
tu-22 230 98 1 0.995 0.995 0.791
Speed: 0.2ms preprocess, 7.8ms inference, 0.0ms loss, 0.7ms postprocess per image
改进二
测试结果
代码语言：javascript代码运行次数：0运行复制YOLOv8l summary (fused): 318 layers, 44629302 parameters, 0 gradients, 165.8 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 15/15 [00:02<00:00, 5.93it/s]
all 230 1412 0.951 0.955 0.985 0.724
c17 230 131 0.934 0.985 0.986 0.801
c5 230 68 0.947 0.912 0.987 0.811
helicopter 230 43 0.974 0.874 0.958 0.562
c130 230 85 0.988 0.984 0.994 0.647
f16 230 57 0.908 0.871 0.941 0.649
b2 230 2 0.884 1 0.995 0.722
other 230 86 0.975 0.884 0.972 0.555
b52 230 70 0.944 0.967 0.968 0.801
kc10 230 62 0.997 0.984 0.989 0.835
command 230 40 1 0.996 0.995 0.808
f15 230 123 0.979 0.943 0.99 0.688
kc135 230 91 0.979 0.967 0.988 0.674
a10 230 27 1 0.789 0.96 0.463
b1 230 20 1 0.992 0.995 0.718
aew 230 25 0.937 1 0.995 0.793
f22 230 17 0.887 1 0.982 0.715
p3 230 105 0.997 1 0.995 0.805
p8 230 1 0.793 1 0.995 0.597
f35 230 32 1 0.863 0.966 0.512
f18 230 125 0.955 0.992 0.985 0.811
v22 230 41 0.997 1 0.995 0.667
su-27 230 31 0.977 1 0.995 0.847
il-38 230 27 0.985 1 0.995 0.816
tu-134 230 1 0.795 1 0.995 0.796
su-33 230 2 1 0.792 0.995 0.824
an-70 230 2 0.85 1 0.995 0.796
tu-22 230 98 0.996 1 0.995 0.825
Speed: 0.2ms preprocess, 4.4ms inference, 0.0ms loss, 0.7ms postprocess per image
出现了下降。说明增加检测头是有必要的！
总结
本文使用YoloV8复现了HIC-YOLOv5的改进，由于数据集中的物体并没有很多太小的！所以提升不明显！大家可以在自己的数据集上做尝试！
详见：
.2014.3001.5502
本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。原始发表：2023-10-30，如有侵权请联系 cloudcommunity@tencent 删除设计数据测试本文标签： YoloV8改进策略复现HIC
版权声明：本文标题：YoloV8改进策略：复现HIC 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.betaflare.com/shuma/1754670952a3176325.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论