SPD-Conv源于2022年一篇专门针对于小目标和低分辨率图像研究提出来的新技术 可以用于目标检测任务 能够一定程度提升模型的检测效果 今天正好有时间就想基于SPD融合yolov5s模型来开发路面裂痕裂缝检测模型 同时与原生的yolov5s模型进行对比分析 首先看下效果图。

接下来看下数据情况。

标注文件如下

原生yolov5s模型文件如下 

# YOLOv5 by Ultralytics, GPL-3.0 license# Parametersnc: 1 # number of classesdepth_multiple: 0.33 # model depth multiplewidth_multiple: 0.50 # layer channel multipleanchors: - [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 backbonebackbone: # [from, number, module, args] [[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2 [-1, 1, Conv, [128, 3, 2]], # 1-P2/4 [-1, 3, C3, [128]], [-1, 1, Conv, [256, 3, 2]], # 3-P3/8 [-1, 6, C3, [256]], [-1, 1, Conv, [512, 3, 2]], # 5-P4/16 [-1, 9, C3, [512]], [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32 [-1, 3, C3, [1024]], [-1, 1, SPPF, [1024, 5]], # 9 ]# YOLOv5 v6.0 headhead: [[-1, 1, Conv, [512, 1, 1]], [-1, 1, nn.Upsample, [None, 2, nearest ]], [[-1, 6], 1, Concat, [1]], # cat backbone P4 [-1, 3, C3, [512, False]], # 13 [-1, 1, Conv, [256, 1, 1]], [-1, 1, nn.Upsample, [None, 2, nearest ]], [[-1, 4], 1, Concat, [1]], # cat backbone P3 [-1, 3, C3, [256, False]], # 17 (P3/8-small) [-1, 1, Conv, [256, 3, 2]], [[-1, 14], 1, Concat, [1]], # cat head P4 [-1, 3, C3, [512, False]], # 20 (P4/16-medium) [-1, 1, Conv, [512, 3, 2]], [[-1, 10], 1, Concat, [1]], # cat head P5 [-1, 3, C3, [1024, False]], # 23 (P5/32-large) [[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5) ]

融合 SPD-Conv模型文件如下 

# Parametersnc: 1 # number of classesdepth_multiple: 0.33 # model depth multiplewidth_multiple: 0.50 # layer channel multipleanchors: - [10,13, 16,30, 33,23] # P3/8 - [30,61, 62,45, 59,119] # P4/16 - [116,90, 156,198, 373,326] # P5/32backbone: [[-1, 1, Focus, [64, 3]], # 0-P1/2 [-1, 1, Conv, [128, 3, 1]], # 1 [-1,1,space_to_depth,[1]], # 2 -P2/4 [-1, 3, C3, [128]], # 3 [-1, 1, Conv, [256, 3, 1]], # 4 [-1,1,space_to_depth,[1]], # 5 -P3/8 [-1, 6, C3, [256]], # 6 [-1, 1, Conv, [512, 3, 1]], # 7-P4/16 [-1,1,space_to_depth,[1]], # 8 -P4/16 [-1, 9, C3, [512]], # 9 [-1, 1, Conv, [1024, 3, 1]], # 10-P5/32 [-1,1,space_to_depth,[1]], # 11 -P5/32 [-1, 3, C3, [1024]], # 12 [-1, 1, SPPF, [1024, 5]], # 13 ]head: [[-1, 1, Conv, [512, 1, 1]], # 14 [-1, 1, nn.Upsample, [None, 2, nearest ]], # 15 [[-1, 9], 1, Concat, [1]], # 16 [-1, 3, C3, [512, False]], # 17 [-1, 1, Conv, [256, 1, 1]], # 18 [-1, 1, nn.Upsample, [None, 2, nearest ]], # 19 [[-1, 6], 1, Concat, [1]], # 20 [-1, 3, C3, [256, False]], # 21 [-1, 1, Conv, [256, 3, 1]], # 22 [-1,1,space_to_depth,[1]], # 23 [[-1, 18], 1, Concat, [1]], # 24 [-1, 3, C3, [512, False]], # 25 [-1, 1, Conv, [512, 3, 1]], # 26 [-1,1,space_to_depth,[1]], # 27 [[-1, 14], 1, Concat, [1]], # 28 [-1, 3, C3, [1024, False]], # 29 [[21, 25, 29], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5) ]

默认在相同的数据配置下 均执行100次epoch的迭代计算 接下来看下模型的实际表现。

yolov5s结果输出

spd结果输出

从训练结果输出上面来看 spd的结果要优于原生的YOLOv5s模型的 在训练时间上直观来看spd的训练时长达到了yolov5s的两倍 实际则不然 因为训练原生yolov5s的时候是独占显卡的 但是训练yolov5s-spd模型的时候因为有其他的模型训练在并行进行 所以时长消耗被拉长了。

接下来看下结果详情对比。

混淆矩阵

F1值曲线

PR曲线

综合对比可以看到 SPD模型都是要优于原生模型的。

LABEL可视化

batch计算实例如下

最终基于专门的界面实现可视化推理 样例如下

简单实践记录一下 关于spd的介绍在我之前的文章中有详细的介绍 本文主要是以应用为主就没有再赘述了。

关注博主即可阅读全文
python基于融合SPD-Conv改进yolov5与原生yolov5模型实践路面裂痕裂缝检测
windows下kafka环境完整搭建，Python调用kafka构建完整实例分析与应用 113644
解决python错误提示“non-default argument follows default argument” 54596

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

更多文章请关注《万象专栏》