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

我是真的佩服，进去后告诉我只能在线编译，排队人数还有31，还有15，哎呦我去怎么还有1351人，还有八百人，还有300人，还有1203人!得了( TдT)

挂科了，保研没了(;´Д`)

给x加了小目标检测层，map从0.51下降到0.42(　^ω^)

好烦啊，网上找到的改进都是针对s

>>No.62922220
(ﾟДﾟ≡ﾟДﾟ)平时分能捞一捞不

>>No.62930826
改进网络这种( ´_ゝ`)，我的感觉是，同一种优化方式不一定适用于所有任务，只能试。
甚至可能改进完，还得大量去重新尝试各种参数。

整了EMA，但是搞了半天都没搞好，一直报错( ´_ゝ`)

想问一下学习yolo需要什么知识前置(´ﾟДﾟ`)
小肥也想用yolo做点小东西，我没学过ai的数学部分，只会部署和在Google colab训练cycleGAN(课上教的)，这样够吗

>>No.62941314
其实小肥也不是专门学机器学习的来着，基本上你需要一定的数学知识然后有一台电脑跟着做就好了，本地部署的话小肥主要是参考了csdn和博客园，其中两个专栏和一篇文章讲得很好，云端部署小肥比较推荐使用矩池云，上面预装了yolov5环境，他家的客服也会解决你的大部分问题

>>No.62941314
https://blog.csdn.net/qq_62573714/article/details/137974404
新手入门看这个

>>No.62941314
链接：https://pan.baidu.com/s/1eYeTiqc6NhbUkB-bXqTtAQ?pwd=weov
提取码：weov
--来自百度网盘超级会员V1的分享
进阶部分看这个

>>No.62941314
链接：https://pan.baidu.com/s/10mdCcNPlt0VUXNEqM2shWw?pwd=w83k
提取码：w83k
--来自百度网盘超级会员V1的分享
终极部分看这个，不过和上一个有点重复而且讲的也不如上一个

>>No.62941314
https://matgo.cn/
云服务器可以考虑这个

小肥目前的体验是m模型和x模型其实差别真的很小，在云服务器上跑的话租用不同配置的显卡最后花的钱也差不太多 但是m模型需要跑12+h，x只用跑3h就行

分析了一下数据，早期标注不规范的影响太大了，重新过一遍，目前进度15/1280