深度学习YOLOV10模型训练过程中，box_om=4.8合适吗

YOLOv10训练自己的数据集-onnx\tensorrt推理

YOLOv10
YOLOv10是清华大学研究人员基于先前的YOLO软件包，引入新实时目标检测方法的升级版。旨在解决前版本在后处理与模型架构上的局限性，通过去除非最大抑制(NMS)及优化多种模型组件，显著减少计算开销的同时，保持顶尖性能。实验验证显示，YOLOv10在不同模型尺度上实现了优越的精度与延迟平衡。
YOLOv10系列模型包括：纳米版YOLOv10-N、小型YOLOv10-S、通用中型YOLOv10-M、宽度增加的平衡型YOLOv10-B、大型精度优先版YOLOv10-L与最高精度与性能的超大型版YOLOv10-X。
结构对比
结构上，YOLOv10在原有基础上添加了PSA与C2f结构中的CBI，优化模型性能。
环境配置
通过conda创建虚拟环境，执行特定命令。
数据集准备
将训练数据集置于项目目录下，确保数据集符合特定格式。
训练模型
导入YOLOv10模块，使用指定训练代码进行模型训练。
模型推理
执行推理代码，实现模型在实际场景中的应用。
ONNX推理
推理过程中，输出包括四个元素：box位置(xyxy)、分类评分与预测类标签，其中max_det参数设定为300。
TensorRT推理

学Yolo？必须要知道的基础内容

YOLO系列算法，作为目标检测领域的明星，以其高效和集成的特性备受瞩目。从V1到V4，每个版本都在前代基础上进行着创新与优化。V1开启了融合分类和定位的先河，V2的批标准化和高分辨率微调带来了预测准确度的提升，而V3则引入了多尺度检测和Darknet-53网络结构，为小目标检测带来了显著改进。
基础构建
YOLO的核心在于其独特的anchor boxes机制，将检测任务与分类任务整合于一体，一次预测所有对象。例如，V3的网络结构设计巧妙，448x444的输入经过处理后，输出7x7x30的张量，每个网格对应一个包含两个bbox位置、置信度和20类概率的30维向量。训练过程中，每个样本都需要精心构建，包含目标位置的精确标注和类别信息。
训练之旅
训练过程并非易事，但关键步骤清晰明了。首先，利用梯度下降，从构建的训练样本出发，每个网格的输出张量代表了模型对目标的估计。接着，Yolo采用自定义的损失函数，精确测量预测结果与真实标签的差异，平衡位置误差和存在性置信度误差。通过ImageNet预训练前20层，再在PASCAL VOC数据集上深度学习，加入dropout和数据增强来防止过拟合。
进阶优化
从YoloV2开始，性能得到了显著提升。它通过批标准化提升模型稳定性和性能，不同分辨率输入的优化让分类和检测任务更为精确。YOLOV2的Anchor Boxes策略，通过聚类提取不同尺度的anchor，不仅减少了微调的复杂度，也提高了对小目标的检测能力。此外，多尺度训练和Darknet-19网络结构的使用，让YOLO系列在速度与准确性之间找到了平衡。
YoloV3的飞跃
YOLOv3的革新在于引入多尺度特征，丰富先验框，以及调整网络结构和分类方法。它通过Darknet-53和残差连接，构建了更为强大的基础网络，配合K-means生成的9种尺寸的先验框，实现了更精细的目标检测。同时，logistic回归的使用解决了类别重叠问题，输出的预测结果包含3个尺度的N通道，每个通道都包含了坐标、置信度和类别概率。
YoloV4的突破
YOLOv4在精度和帧率上更上一层楼，它整合了多种检测技巧，结构虽与V3相似，但细节上的改进使其性能更优。CBM、CBL、Res unit等组件的引入，以及输入大小的灵活性，使YOLOv4成为目标检测领域的又一里程碑。
总的来说，要深入学习YOLO，理解其网络架构、样本构建和关键改进是至关重要的。从V1到V4，每一步都见证了YOLO系列在目标检测领域的持续进化和卓越表现。

如何运用yolov5训练自己的数据（手把手教你学yolo）

在这篇博文中，我们将探讨如何使用YOLOv5模型对自定义目标检测数据集进行微调和训练。深度学习领域在过去十年间发生了巨大变化，使得即使是新手也能在短短几周内掌握深度学习知识，并使用最佳模型对自定义数据集进行训练。YOLOv5正是这样一个强大的工具，作为YOLO系列的最新版本，它基于单阶段深度学习，能够以接近实时的速度进行目标检测，并达到先进准确度。本篇博文将引导您通过实际操作，证明使用YOLOv5进行自定义目标检测训练的可能性。
首先，YOLOv5是一种深度学习模型，专为目标检测任务设计。它采用PyTorch框架，由Ultralytics团队在GitHub上开发。模型包含不同大小和准确性的多种模型，以适应各种场景和设备的需求。YOLOv5一共有五个模型，包括小型、中型、大型等，可根据具体需求进行选择。
具体而言，我们将通过以下步骤使用YOLOv5进行自定义目标检测训练：
1. 准备数据集：使用Vehicle-OpenImages数据集作为示例。
2. 数据增强：进行mosaic数据增强以提高模型泛化能力。
3. 自定义训练方法：训练小型、中型模型，并进行性能比较。
4. 推断：对图像和视频进行推断，并分析不同模型的性能。
让我们开始操作过程。首先，下载和准备数据集。我们使用辅助函数将数据集下载并解压。数据集结构如下：
- 训练集：包含用于训练的图像。
- 验证集：包含用于验证模型性能的图像。
接下来，数据集的YAML配置文件至关重要，它包含了训练和验证数据的路径，以及类别名称。在执行训练脚本时，需要提供此文件路径，以便脚本识别图像路径、标签路径和类别名称。数据集已包含此文件。
为了使用YOLOv5代码库的任何功能，我们需克隆存储库并进入yolov5目录。以下是克隆存储库的代码：
git clone
cd yolov5
进行训练前，让我们了解训练脚本的关键参数：
- `--data`：数据集的YAML文件路径。
- `--weights`：用于训练的模型权重。
- `--img`：图像大小。
- `--epochs`：训练轮数。
- `--batch-size`：批次大小。
- `--name`：保存结果的目录名称。
训练过程中，代码会将每个epoch的验证批次预测保存至结果目录。我们编写辅助函数找到所有验证预测并展示结果。通过比较不同模型的mAP（平均精度）指标和FPS（每秒帧数），我们可以分析性能和速度差异。
在本篇博文中，我们将执行多个训练和推理实验，包括使用YOLOv5小型模型的自定义对象检测训练与推理，以及尝试部分冻结中型模型的训练。实验结果展示了YOLOv5代码库的强大功能，并揭示了不同模型性能与速度之间的权衡。
通过实践，您将深入了解YOLOv5代码库的运作机制，以及在实际应用中如何选择和优化模型。实验结果表明，尽管涉及了一些通用Python函数，我们并未编写深度学习代码，这体现了深度学习领域的可访问性。未来，我们希望领域内持续发展，让学习和应用更加便捷。
如果您在自己的数据集上进行自定义训练并发现有趣的结果，请在评论区分享您的成果，与社区成员共同探讨和学习。让我们一起推动深度学习领域的发展，探索更多可能！

如何运用yolov5训练自己的数据（手把手教你学yolo）

在本文中，我们将深入探讨如何利用YOLOv5进行自定义目标检测的训练和推理，展示了深度学习的易用性提升。通过实例，我们展示了如何从训练小型到中型模型，以及如何通过微调和冻结层来优化性能，同时还揭示了YOLOv5模型在不同场景下的应用。随着技术的发展，即使是初学者也能在短短的代码中实现神经网络模型的训练，这无疑简化了深度学习的实践过程。
YOLOv5，作为单阶段深度学习目标检测器的代表，以实时速度和高准确性吸引着众多用户。从YOLOv5系列的介绍，到五个模型的选择，再到使用Vehicle-OpenImages数据集进行自定义训练的详细步骤，我们一步步演示了如何将YOLOv5应用于实际场景。
在训练过程中，我们重点介绍了数据集准备、配置文件设置、克隆代码库、参数调整等关键环节。通过性能比较，我们不仅观察到不同模型在mAP和FPS上的表现，还展示了训练结果的展示和推理过程。
本文的实践实验表明，YOLOv5不仅是一个强大的工具，还标志着深度学习技术正变得越来越易于使用。如果你也想尝试在自己的数据集上应用YOLOv5，现在就行动起来，分享你的成果吧！

目标检测算法（R-CNN，fast R-CNN，faster R-CNN，yolo，SSD，yoloV2，yoloV3）

深度学习目前已经应用到了各个领域，应用场景大体分为三类：物体识别，目标检测，自然语言处理。  目标检测可以理解为是物体识别和物体定位的综合 ，不仅仅要识别出物体属于哪个分类，更重要的是得到物体在图片中的具体位置。
2014年R-CNN算法被提出，基本奠定了two-stage方式在目标检测领域的应用。它的算法结构如下图
算法步骤如下：
R-CNN较传统的目标检测算法获得了50%的性能提升，在使用VGG-16模型作为物体识别模型情况下，在voc2007数据集上可以取得66%的准确率，已经算还不错的一个成绩了。其最大的问题是速度很慢，内存占用量很大，主要原因有两个
针对R-CNN的部分问题，2015年微软提出了Fast R-CNN算法，它主要优化了两个问题。
R-CNN和fast R-CNN均存在一个问题，那就是 由选择性搜索来生成候选框，这个算法很慢 。而且R-CNN中生成的2000个左右的候选框全部需要经过一次卷积神经网络，也就是需要经过2000次左右的CNN网络，这个是十分耗时的（fast R-CNN已经做了改进，只需要对整图经过一次CNN网络）。这也是导致这两个算法检测速度较慢的最主要原因。
faster R-CNN 针对这个问题， 提出了RPN网络来进行候选框的获取，从而摆脱了选择性搜索算法，也只需要一次卷积层操作，从而大大提高了识别速度 。这个算法十分复杂，我们会详细分析。它的基本结构如下图
主要分为四个步骤：
使用VGG-16卷积模型的网络结构：
卷积层采用的VGG-16模型，先将PxQ的原始图片，缩放裁剪为MxN的图片，然后经过13个conv-relu层，其中会穿插4个max-pooling层。所有的卷积的kernel都是3x3的，padding为1，stride为1。pooling层kernel为2x2, padding为0，stride为2。
MxN的图片，经过卷积层后，变为了(M/16) x (N/16)的feature map了。
faster R-CNN抛弃了R-CNN中的选择性搜索（selective search）方法，使用RPN层来生成候选框，能极大的提升候选框的生成速度。RPN层先经过3x3的卷积运算，然后分为两路。一路用来判断候选框是前景还是背景，它先reshape成一维向量，然后softmax来判断是前景还是背景，然后reshape恢复为二维feature map。另一路用来确定候选框的位置，通过bounding box regression实现，后面再详细讲。两路计算结束后，挑选出前景候选框（因为物体在前景中），并利用计算得到的候选框位置，得到我们感兴趣的特征子图proposal。
卷积层提取原始图像信息，得到了256个feature map，经过RPN层的3x3卷积后，仍然为256个feature map。但是每个点融合了周围3x3的空间信息。对每个feature map上的一个点，生成k个anchor（k默认为9）。anchor分为前景和背景两类（我们先不去管它具体是飞机还是汽车，只用区分它是前景还是背景即可）。anchor有[x,y,w,h]四个坐标偏移量，x,y表示中心点坐标，w和h表示宽度和高度。这样，对于feature map上的每个点，就得到了k个大小形状各不相同的选区region。
对于生成的anchors，我们首先要判断它是前景还是背景。由于感兴趣的物体位于前景中，故经过这一步之后，我们就可以舍弃背景anchors了。大部分的anchors都是属于背景，故这一步可以筛选掉很多无用的anchor，从而减少全连接层的计算量。
对于经过了3x3的卷积后得到的256个feature map，先经过1x1的卷积，变换为18个feature map。然后reshape为一维向量，经过softmax判断是前景还是背景。此处reshape的唯一作用就是让数据可以进行softmax计算。然后输出识别得到的前景anchors。
另一路用来确定候选框的位置，也就是anchors的[x,y,w,h]坐标值。如下图所示，红色代表我们当前的选区，绿色代表真实的选区。虽然我们当前的选取能够大概框选出飞机，但离绿色的真实位置和形状还是有很大差别，故需要对生成的anchors进行调整。这个过程我们称为bounding box regression。
假设红色框的坐标为[x,y,w,h], 绿色框，也就是目标框的坐标为[Gx, Gy,Gw,Gh], 我们要建立一个变换，使得[x,y,w,h]能够变为[Gx, Gy,Gw,Gh]。最简单的思路是，先做平移，使得中心点接近，然后进行缩放，使得w和h接近。如下：
我们要学习的就是dx dy dw dh这四个变换。由于是线性变换，我们可以用线性回归来建模。设定loss和优化方法后，就可以利用深度学习进行训练，并得到模型了。对于空间位置loss，我们一般采用均方差算法，而不是交叉熵（交叉熵使用在分类预测中）。优化方法可以采用自适应梯度下降算法Adam。
得到了前景anchors，并确定了他们的位置和形状后，我们就可以输出前景的特征子图proposal了。步骤如下：
1，得到前景anchors和他们的[x y w h]坐标。
2，按照anchors为前景的不同概率，从大到小排序，选取前pre_nms_topN个anchors，比如前6000个
3，剔除非常小的anchors。
4，通过NMS非极大值抑制，从anchors中找出置信度较高的。这个主要是为了解决选取交叠问题。首先计算每一个选区面积，然后根据他们在softmax中的score（也就是是否为前景的概率）进行排序，将score最大的选区放入队列中。接下来，计算其余选区与当前最大score选区的IOU（IOU为两box交集面积除以两box并集面积，它衡量了两个box之间重叠程度）。去除IOU大于设定阈值的选区。这样就解决了选区重叠问题。
5，选取前post_nms_topN个结果作为最终选区proposal进行输出，比如300个。
经过这一步之后，物体定位应该就基本结束了，剩下的就是物体识别了。
和fast R-CNN中类似，这一层主要解决之前得到的proposal大小形状各不相同，导致没法做全连接。全连接计算只能对确定的shape进行运算，故必须使proposal大小形状变为相同。通过裁剪和缩放的手段，可以解决这个问题，但会带来信息丢失和图片形变问题。我们使用ROI pooling可以有效的解决这个问题。
ROI pooling中，如果目标输出为MxN，则在水平和竖直方向上，将输入proposal划分为MxN份，每一份取最大值，从而得到MxN的输出特征图。
ROI Pooling层后的特征图，通过全连接层与softmax，就可以计算属于哪个具体类别，比如人，狗，飞机，并可以得到cls_prob概率向量。同时再次利用bounding box regression精细调整proposal位置，得到bbox_pred，用于回归更加精确的目标检测框。
这样就完成了faster R-CNN的整个过程了。算法还是相当复杂的，对于每个细节需要反复理解。faster R-CNN使用resNet101模型作为卷积层，在voc2012数据集上可以达到83.8%的准确率，超过yolo ssd和yoloV2。其最大的问题是速度偏慢，每秒只能处理5帧，达不到实时性要求。
针对于two-stage目标检测算法普遍存在的运算速度慢的缺点， yolo创造性的提出了one-stage。也就是将物体分类和物体定位在一个步骤中完成。 yolo直接在输出层回归bounding box的位置和bounding box所属类别，从而实现one-stage。通过这种方式， yolo可实现45帧每秒的运算速度，完全能满足实时性要求 （达到24帧每秒，人眼就认为是连续的）。它的网络结构如下图：
主要分为三个部分：卷积层，目标检测层，NMS筛选层。
采用Google inceptionV1网络，对应到上图中的第一个阶段，共20层。这一层主要是进行特征提取，从而提高模型泛化能力。但作者对inceptionV1进行了改造，他没有使用inception module结构，而是用一个1x1的卷积，并联一个3x3的卷积来替代。（可以认为只使用了inception module中的一个分支，应该是为了简化网络结构）
先经过4个卷积层和2个全连接层，最后生成7x7x30的输出。先经过4个卷积层的目的是为了提高模型泛化能力。yolo将一副448x448的原图分割成了7x7个网格，每个网格要预测两个bounding box的坐标(x,y,w,h)和box内包含物体的置信度confidence，以及物体属于20类别中每一类的概率（yolo的训练数据为voc2012，它是一个20分类的数据集）。所以一个网格对应的参数为（4x2+2+20) = 30。如下图
其中前一项表示有无人工标记的物体落入了网格内，如果有则为1，否则为0。第二项代表bounding box和真实标记的box之间的重合度。它等于两个box面积交集，除以面积并集。值越大则box越接近真实位置。
分类信息： yolo的目标训练集为voc2012，它是一个20分类的目标检测数据集 。常用目标检测数据集如下表：
| Name | # Images (trainval) | # Classes | Last updated |
| --------------- | ------------------- | --------- | ------------ |
| ImageNet | 450k | 200 | 2015 |
| COCO | 120K | 90 | 2014 |
| Pascal VOC | 12k | 20 | 2012 |
| Oxford-IIIT Pet | 7K | 37 | 2012 |
| KITTI Vision | 7K | 3 | |
每个网格还需要预测它属于20分类中每一个类别的概率。分类信息是针对每个网格的，而不是bounding box。故只需要20个，而不是40个。而confidence则是针对bounding box的，它只表示box内是否有物体，而不需要预测物体是20分类中的哪一个，故只需要2个参数。虽然分类信息和confidence都是概率，但表达含义完全不同。
筛选层是为了在多个结果中（多个bounding box）筛选出最合适的几个，这个方法和faster R-CNN 中基本相同。都是先过滤掉score低于阈值的box，对剩下的box进行NMS非极大值抑制，去除掉重叠度比较高的box（NMS具体算法可以回顾上面faster R-CNN小节）。这样就得到了最终的最合适的几个box和他们的类别。
yolo的损失函数包含三部分，位置误差，confidence误差，分类误差。具体公式如下：
误差均采用了均方差算法，其实我认为，位置误差应该采用均方差算法，而分类误差应该采用交叉熵。由于物体位置只有4个参数，而类别有20个参数，他们的累加和不同。如果赋予相同的权重，显然不合理。故yolo中位置误差权重为5，类别误差权重为1。由于我们不是特别关心不包含物体的bounding box，故赋予不包含物体的box的置信度confidence误差的权重为0.5，包含物体的权重则为1。
Faster R-CNN准确率mAP较高，漏检率recall较低，但速度较慢。而yolo则相反，速度快，但准确率和漏检率不尽人意。SSD综合了他们的优缺点，对输入300x300的图像，在voc2007数据集上test，能够达到58 帧每秒( Titan X 的 GPU )，72.1%的mAP。
SSD网络结构如下图：
和yolo一样，也分为三部分：卷积层，目标检测层和NMS筛选层
SSD论文采用了VGG16的基础网络，其实这也是几乎所有目标检测神经网络的惯用方法。先用一个CNN网络来提取特征，然后再进行后续的目标定位和目标分类识别。
这一层由5个卷积层和一个平均池化层组成。去掉了最后的全连接层。SSD认为目标检测中的物体，只与周围信息相关，它的感受野不是全局的，故没必要也不应该做全连接。SSD的特点如下。
每一个卷积层，都会输出不同大小感受野的feature map。在这些不同尺度的feature map上，进行目标位置和类别的训练和预测，从而达到 多尺度检测 的目的，可以克服yolo对于宽高比不常见的物体，识别准确率较低的问题。而yolo中，只在最后一个卷积层上做目标位置和类别的训练和预测。这是SSD相对于yolo能提高准确率的一个关键所在。
如上所示，在每个卷积层上都会进行目标检测和分类，最后由NMS进行筛选，输出最终的结果。多尺度feature map上做目标检测，就相当于多了很多宽高比例的bounding box，可以大大提高泛化能力。
和faster R-CNN相似，SSD也提出了anchor的概念。卷积输出的feature map，每个点对应为原图的一个区域的中心点。以这个点为中心，构造出6个宽高比例不同，大小不同的anchor（SSD中称为default box）。每个anchor对应4个位置参数(x,y,w,h)和21个类别概率（voc训练集为20分类问题，在加上anchor是否为背景，共21分类）。如下图所示：
另外，在训练阶段，SSD将正负样本比例定位1：3。训练集给定了输入图像以及每个物体的真实区域（ground true box），将default box和真实box最接近的选为正样本。然后在剩下的default box中选择任意一个与真实box IOU大于0.5的，作为正样本。而其他的则作为负样本。由于绝大部分的box为负样本，会导致正负失衡，故根据每个box类别概率排序，使正负比例保持在1：3。SSD认为这个策略提高了4%的准确率
另外，SSD采用了数据增强。生成与目标物体真实box间IOU为0.1 0.3 0.5 0.7 0.9的patch，随机选取这些patch参与训练，并对他们进行随机水平翻转等操作。SSD认为这个策略提高了8.8%的准确率。
和yolo的筛选层基本一致，同样先过滤掉类别概率低于阈值的default box，再采用NMS非极大值抑制，筛掉重叠度较高的。只不过SSD综合了各个不同feature map上的目标检测输出的default box。
SSD基本已经可以满足我们手机端上实时物体检测需求了，TensorFlow在Android上的目标检测官方模型ssd_mobilenet_v1_android_export.pb，就是通过SSD算法实现的。它的基础卷积网络采用的是mobileNet，适合在终端上部署和运行。
针对yolo准确率不高，容易漏检，对长宽比不常见物体效果差等问题，结合SSD的特点，提出了yoloV2。它主要还是采用了yolo的网络结构，在其基础上做了一些优化和改进，如下
网络采用DarkNet-19：19层，里面包含了大量3x3卷积，同时借鉴inceptionV1，加入1x1卷积核全局平均池化层。结构如下
yolo和yoloV2只能识别20类物体，为了优化这个问题，提出了yolo9000，可以识别9000类物体。它在yoloV2基础上，进行了imageNet和coco的联合训练。这种方式充分利用imageNet可以识别1000类物体和coco可以进行目标位置检测的优点。当使用imageNet训练时，只更新物体分类相关的参数。而使用coco时，则更新全部所有参数。
YOLOv3可以说出来直接吊打一切图像检测算法。比同期的DSSD(反卷积SSD), FPN（feature pyramid networks）准确率更高或相仿，速度是其1/3.。
YOLOv3的改动主要有如下几点：
不过如果要求更精准的预测边框，采用COCO AP做评估标准的话，YOLO3在精确率上的表现就弱了一些。如下图所示。
当前目标检测模型算法也是层出不穷。在two-stage领域， 2017年Facebook提出了mask R-CNN 。CMU也提出了A-Fast-RCNN 算法，将对抗学习引入到目标检测领域。Face++也提出了Light-Head R-CNN，主要探讨了 R-CNN 如何在物体检测中平衡精确度和速度。
one-stage领域也是百花齐放，2017年首尔大学提出 R-SSD 算法，主要解决小尺寸物体检测效果差的问题。清华大学提出了 RON 算法，结合 two stage 名的方法和 one stage 方法的优势，更加关注多尺度对象定位和负空间样本挖掘问题。
目标检测领域的深度学习算法，需要进行目标定位和物体识别，算法相对来说还是很复杂的。当前各种新算法也是层不出穷，但模型之间有很强的延续性，大部分模型算法都是借鉴了前人的思想，站在巨人的肩膀上。我们需要知道经典模型的特点，这些tricks是为了解决什么问题，以及为什么解决了这些问题。这样才能举一反三，万变不离其宗。综合下来，目标检测领域主要的难点如下：
一文读懂目标检测AI算法：R-CNN，faster R-CNN，yolo，SSD，yoloV2
从YOLOv1到v3的进化之路
SSD-Tensorflow超详细解析【一】：加载模型对图片进行测试 
https://blog.csdn.net/k87974/article/details/80606407
YOLO   
https://pjreddie.com/darknet/yolo/ 
   
https://github.com/pjreddie/darknet 
 
C#项目参考：
https://github.com/AlturosDestinations/Alturos.Yolo
项目实践贴个图。

标签：未分类 学习 软件 人工智能 计算机