ok肥哥们，预训练出来三个尺度的模型:n,m,x

三个模型大小递增，包含以下要素:一代不如一代(怎么越训练mAP越低)，一眼顶针(不是你识别胸部大小怎么这么准)，不爱光腿爱白丝(怎么光腿全识别成白丝了)小大之辩(萝莉?熟女?全都是少女!)

查阅资料发现yolov5对小范围的识别确实不行，v8中得到改善，可惜小肥还不会用v8

顺带一提，仔细一想我这么多tag，这么复杂的任务mAP就不可能上0.8，所以本项目终极目标是mAP高于0.6，短期目标是mAP高于0.5

链接：https://pan.baidu.com/s/1-L0eDnVbX9nmjjRZCLFV9Q?pwd=jfuc
提取码：jfuc
--来自百度网盘超级会员V1的分享
差点忘了发出来，接下来小肥要忙考试，目前已经标注912张图

差点忘了，全平台禁转(｀･ω･)

今天差点熟人岛，好不容易糊弄过去了

1000张了，累死| ω・´)

mAP0.42果然数据多就是强

我悟了，yolov5是有极限的，但人没有，所以小肥的yolov5改进堂堂展开!( `д´)

目标:CA注意力机制，替换ShuffleNet主干网络，增加小目标检测层，添加损失函数

行了

mAP达到0.51了

目前还没有开始改进，需要等到30号之后，不过查阅资料发现ca注意力机制并不能完全满足我的需求，准备上cbfm

用netron可视化了转换为onnx的模型，看起来好复杂

一期工程里mAP@0.5已经达到0.51，可以认为达到了目标，下面开始二期工程，二期工程主要是在继续标注的同时对yolov5进行改进，在不计硬件资源与检测速度的前提下追求极致的pr同时避免过拟合

准备在标注1800张图片时进行正式的训练，同时额外添加50张背景图片

# yolov5v改进

## 一、性能改进

### 24[0,26]添加RFAConv注意力卷积

RFA不仅关注感受野空间特征，而且为大尺寸卷积核提供了有效的注意力权重。

### 6[0,20]添加BiFormer注意力机制(小目标涨点)

BiFomer模块 提出了 一种动态的稀疏注意力机制 。首先在宏观上 过滤掉大部分不相关的 key 与 value ，只保留下一小部分相关的 key 和 value。然后 在这一小部分相关 key 与 value 中使用 token -to-token 注意力 。

### 8[0,19]替换主干网络之SwinTransformerV1

（1）基于局部窗口做注意力

（2）将层次性、局部性和平移不变性等先验引入Transformer网络结构设计

（3）关键部分是提出了Shift window移动窗口（W-MSA、SW-MSA），改进了ViT中忽略局部窗口之间相关性的问题。

（4）使用cyclic-shift 循环位移和mask机制，保证计算量不变，并忽略不相关部分的注意力权重

（5）加入了相对位置偏置B

### 10[0,10]替换主干网络之GhostNet

相比于有些轻量化网络去除掉这些冗余的特征图，GhostNet 选择低成本的办法来保留它们。

### 1[0,9]替换主干网络之EfficientNetv2

在训练速度和参数效率方面都优于之前的模型。

自适应的调整正则化和输入大小，通过实验证明该方法既加快了训练速度，同时也提高了准确性。

### 10[0,15]增加小目标检测层

### 3[0,13]更换SiLU激活函数

### 0[0,12]更换Neck之BiFPN

### 11[0,11]添加损失函数

WIoU Loss：解决质量较好和质量较差的样本间的BBR平衡问题

## 二、避免过拟合

### 增加背景图像

### 增加wiseiou

即5[0,11]添加损失函数

WIoU Loss：解决质量较好和质量较差的样本间的BBR平衡问题

### 增加分布移位卷积（DSConv）

[Yolov5/Yolov7优化：卷积变体---分布移位卷积（DSConv）,提高卷积层的内存效率和速度_提高性能的卷积变体-CSDN博客](https://blog.csdn.net/m0_63774211/article/details/130399774)

不想干了，自己整这个python项目整的飞起，然后今天下午考试挂了，十道题对了三道