本发明属于人工智能,尤其涉及一种针对小目标检测改进的yolov5训练方法。
背景技术:
1、在过去几年中目标检测技术取得了显著的进展且在许多领域有广泛的应用,包括机器人视觉、安防、自动驾驶、缺陷检测、医疗等方面。由于小目标视觉特征较差、噪声较多,小目标检测已成为计算机视觉中最具有挑战性的任务之一。此外,用于小尺寸目标检测的大规模基准测试数据集仍然不够全面。从常规的应用中可以看出,对于常见目标yolov5可以取得较好的成果,但是对小目标总是出现漏检误捡的情况。
2、现有改进技术包括增加小目标检测的anchor、增加小目标检测层以及插入注意力模块se网络。改进后的yolov5网络能提取到更多的小目标的特征,依然存在漏检误检的情况,该方法添加的小目标检测层能够捕捉到的图像特征有限,且se网络主要是对空间特征的注意力增强,在小目标本身的特征不明显的情况下,注意力增强的作用也是有限的。另一种基于yolov5的尺度自适应目标检测的方法,由于yolov5网络中使用了mosaic数据增强,该数据增强方法将输入的网络切片同时进行放大缩小的操作。因此该网络可以让每个样本自适应地选择合适的尺度。该方法让yolov5可以检测不同尺度的目标同时通过自适应融合机制来抑制低质量通道带来的噪声影响。但是在遇到目标的尺寸较小时,网络有会忽略掉当前目标,导致漏检误检的现象发生。
3、通过上述分析,现有技术存在的问题及缺陷为:yolov5在实际检测中,容易对小目标漏检误检,特别是在检测图像中同时包含大目标和小目标的时候,主要原因在于训练过程中对小目标的图像特征难提取。例如在航拍图像中检测机动车,此时使用yolov5进行检测,就会漏检远处的小车。
技术实现思路
1、针对现有技术存在的问题,本发明提供了一种针对小目标检测改进的yolov5训练方法。
2、本发明是这样实现的,一种针对小目标检测改进的yolov5训练方法,针对小目标检测改进的yolov5训练方法包括:划分数据集;50%数据集a训练yolov5;50%数据集b冻结训练1;50%数据集a冻结训练2;100%数据集a冻结训练2。
3、进一步,针对小目标检测改进的yolov5训练方法包括以下步骤:
4、步骤一,将原数据集a中的小目标单独分割出来,生成一个新数据集b;
5、步骤二,抽取数据集a中50%的训练集训练yolov5;
6、步骤三,将模型a作为预训练权重,冻结训练1,抽取数据集b中50%的训练集训练,得到模型b;
7、步骤四,将模型b作为预训练权重,冻结训练2;
8、步骤五:重复步骤三和步骤四多次;
9、步骤六:将最后一次训练得到的模型作为预训练权重,训练数据为全部的数据集a,并调小学习率训练后得到最终模型。
10、进一步,步骤二中多次训练得出效果最好的一个模型a。
11、进一步,步骤三中当训练次数i为偶数的时候冻结head部分,其他时候冻结backbone部分。
12、进一步,步骤四中当训练次数i等于0或等于5的倍数的时候冻结head部分,其他时候冻结backbone部分。
13、进一步,步骤四中重复该步骤4次,每一次训练的预训练权重都为上一次训练得出的模型。
14、进一步,步骤六中使用步骤四的方法训练。
15、进一步,yolov5网络结构主要由backbone、neck和head三部分组成,backbone主要负责对输入图像进行特征提取,neck负责对特征图进行多尺度特征融合,并把这些特征传递给预测层,head进行最终的回归预测。
16、本发明的另一目的在于提供一种针对小目标检测改进的yolov5训练方法在检测小目标中的应用。
17、结合上述的技术方案和解决的技术问题,本发明所要保护的技术方案所具备的优点及积极效果为:
18、第一,针对小目标的图像特征难提取以及检测过程中小目标的漏检误检现象,本发明提供了一种针对小目标的yolov5网络的训练方法,该方法在训练中针对不同结构的特点提供不同的训练数据,首先将原数据集a中的小目标单独分割出来,生成一个新数据集b;抽取数据集a中50%的训练集训练yolov5;将模型a作为预训练权重,冻结训练1,抽取数据集b中50%的训练集训练,得到模型b;将模型b作为预训练权重,冻结训练2;将最后一次训练得到的模型作为预训练权重,训练数据为全部的数据集a,并调小学习率,训练后得到最终模型。
19、第二,本发明针对小目标和yolov5结构的特点提出针对性的训练方法,本发明可以检测到更多的小目标,降低了漏检误检率。本发明不改变yolov5本身的网络结构,在保持该模型在原有的结构下可以提取更多的特征,在边缘侧设备上更易于适配。本发明针对yolov5自身的特点设计的训练方法,只是在训练中人为的增加了小目标的特征权重,在检测时同样可以检测到不同尺度的目标,且不需要对输入图片进行任何更改。
20、本发明能检测更多小目标,降低了漏检误检率,减少检测成本。
21、第三,采用针对小目标检测改进的yolov5训练方法,带来的显著技术进步包括:
22、1)提高小目标检测能力:通过本方法,yolov5模型能更好地学习对小目标的识别和检测,从而在实际应用中,如无人机监测、医学影像分析等领域,提高了小目标的检测精度和识别率。
23、2)增强模型泛化性:通过使用不同的数据集进行交替训练和冻结训练,模型能在更广泛的数据集上进行训练,进一步提高了模型的泛化能力,使其在面对未见过的数据时,依然能保持良好的性能。
24、3)优化训练策略:本方法通过先在一部分数据集上进行训练,然后在另一部分数据集上进行冻结训练,再回到原数据集进行冻结训练,这种训练策略的优化,可以有效地防止模型过拟合,同时使模型更好地学习和适应不同的数据特征,从而提高模型的性能。
25、4)提高训练效率:通过将数据集分为两部分,并在不同的阶段进行训练,可以提高训练的效率,使模型在更短的时间内达到更好的效果。同时,通过冻结训练,可以减少不必要的权重更新,进一步提高训练的效率。
1.一种针对小目标检测改进的yolov5训练方法,其特征在于,针对小目标检测改进的yolov5训练方法包括:划分数据集;50%数据集a训练yolov5;50%数据集b冻结训练1;50%数据集a冻结训练2;100%数据集a冻结训练2。
2.如权利要求1所述的针对小目标检测改进的yolov5训练方法,其特征在于,针对小目标检测改进的yolov5训练方法包括以下步骤:
3.如权利要求2所述的针对小目标检测改进的yolov5训练方法,其特征在于,步骤二中多次训练得出效果最好的一个模型a。
4.如权利要求2所述的针对小目标检测改进的yolov5训练方法,其特征在于,步骤三中当训练次数i为偶数的时候冻结head部分,其他时候冻结backbone部分。
5.如权利要求2所述的针对小目标检测改进的yolov5训练方法,其特征在于,步骤四中当训练次数i等于0或等于5的倍数的时候冻结head部分,其他时候冻结backbone部分。
6.如权利要求2所述的针对小目标检测改进的yolov5训练方法,其特征在于,步骤四中重复该步骤4次,每一次训练的预训练权重都为上一次训练得出的模型。
7.如权利要求2所述的针对小目标检测改进的yolov5训练方法,其特征在于,步骤六中使用步骤四的方法训练。
8.如权利要求2所述的针对小目标检测改进的yolov5训练方法,其特征在于,yolov5网络结构主要由backbone、neck和head三部分组成,backbone主要负责对输入图像进行特征提取,neck负责对特征图进行多尺度特征融合,并把这些特征传递给预测层,head进行最终的回归预测。
9.一种针对小目标检测改进的yolov5训练系统,其特征在于,该系统包括:
10.如权利要求1~8任意一项所述的针对小目标检测改进的yolov5训练方法在检测小目标中的应用。