mindspore(四) ——YOLOv5+siou loss的实验,效果提升

最新的目标检测损失函数Siou loss+yolov5

  • Siou loss
  • mindspore下yolov5+siou/ciou实验对比

Siou loss

损失函数对一个目标检测算法是尤为重要的,iou存在对尺度不敏感的问题 ,目前Diou,Ciou等都是在iou上进行的改进。
然而,迄今为止提出和使用的方法都没有考虑到所需真实框与预测框之间不匹配的方向。这种不足导致收敛速度较慢且效率较低,因为预测框可能在训练过程中“四处游荡”并最终产生更差的模型。

有学者提出了一种新的损失函数 SIoU,其中考虑到所需回归之间的向量角度,重新定义了惩罚指标
论文链接:https://arxiv.org/abs/2205.12740
我在yolov5中加入该损失并进行训练和验证

mindspore下yolov5+siou/ciou实验对比

此次实验数据只有一个检测的类别,1600张训练集,主干网络中引入了注意力层,epoch=300,训练策略相同,深度学习框架为mindspore
下面的数据是对精度的评价:

mindspore(四) ——YOLOv5+siou loss的实验,效果提升_第1张图片
可以看到精度方面的数据确实有所提升

你可能感兴趣的:(深度学习,计算机视觉,机器学习,python,神经网络)