【目标检测】yolov5与yolox对比

yolov5 yolox-DarkNet53 yolox-SPP
输入端
  1. Mosaic
  2. 自适应锚框计算
  3. 自适应图片放缩
  1. Mosaic
  2. MixUp

(注:epoch=15时这两种数据增强方式关闭,由于这种增强效果更好,ImageNet的预训练无意义)

  1. 增加了EMA权值更新
  2. Cosine学习率机制
  3. 增加了RandomHorizantalFlip,ColorJitter,多尺度数据增广,马赛克数据增强,不执行RandomResizedCrop,因为与马赛克重叠
backbone
  1. Focus结构
  2. CSP结构
  1. DarkNet53
  1. yolov3_SPP
Neck         FPN+PAN结构
  1. FPN
  1. FPN
Head
  1. 训练时:GIOU_Loss
  2. 预测时:DIOU_Loss
  1. Decoupled Head
  2. End-to-End yolo
  3. Anchor-free
  4. Multi positives
  1. Strong augementation
  2. Decoupled Head
  3. anchor-free
  4. multi positives
  5. SimOTA

注:

  1. 在Neck部分:yolov4,yolov5,yolox-s,yolox-l中采用的时FPN+PAN
  2. 在yolox-SPP中,选用的是最基本的yolov3-SPP,如果采用yolov3_ultralytics的yolov3-SPP+四种trick(除strong augementation,因为在此版本代码中已经改进)
  3. 参考一篇比较好的:深入浅出Yolo系列之Yolox核心基础完整讲解|yolo|yolov5|yolov4|算法

你可能感兴趣的:(目标检测,python,深度学习,目标检测)