福建省建设人才与科技发展中心网站首页,网站icp备案信息,湖南常德市,西安网站推广慧创yolo过时了#xff1f;传统的yolo算法在小目标检测方面总是不行#xff0c;最新算法DEIM爆锤yolo#xff0c;已经替yolo解决。
一、创新点
这个算法名为DEIM#xff0c;全称是DETR with Improved Matching for Fast Convergence#xff0c;其主要创新点在于提出了一…yolo过时了传统的yolo算法在小目标检测方面总是不行最新算法DEIM爆锤yolo已经替yolo解决。
一、创新点
这个算法名为DEIM全称是DETR with Improved Matching for Fast Convergence其主要创新点在于提出了一种新的训练框架用于加速基于Transformer架构如DETR的实时目标检测模型的收敛。具体来说DEIM的创新点包括 Dense O2O Matching密集一对一匹配 DEIM采用了一种新的匹配策略称为Dense O2O密集一对一匹配这种策略通过在每个训练图像中增加更多的目标来增加正样本的数量从而提供更密集的监督信号加速模型的收敛。使用标准的图像增强技术如mosaic和mixup来增加每个图像中的目标数量同时保持一对一匹配框架不变。 Matchability-Aware Loss (MAL)匹配能力感知损失 为了解决Dense O2O匹配引入的大量低质量匹配问题DEIM提出了一种新的损失函数MAL该函数根据匹配质量通过IoU和分类置信度的结合来调整惩罚优化不同质量水平的匹配。 MAL对于高置信度的低质量匹配给予了更大的惩罚提高了有限正样本的效用并简化了数学公式。
MAL的公式如下 M A L ( p , q , y ) { − q γ log ( p ) ( 1 − q γ ) log ( 1 − p ) if y 1 − p γ log ( 1 − p ) if y 0 MAL(p, q, y) \begin{cases} -q^\gamma \log(p) (1 - q^\gamma) \log(1 - p) \text{if } y 1 \\ -p^\gamma \log(1 - p) \text{if } y 0 \end{cases} MAL(p,q,y){−qγlog(p)(1−qγ)log(1−p)−pγlog(1−p)if y1if y0 其中
p表示预测框属于前景类别的概率。q表示预测框与真实框之间的IoU值。y是真实标签1表示前景0表示背景。 γ \gamma γ 是一个参数用于平衡易例和难例之间的关注程度。
二、提升点
与YOLOv11相比DEIM在以下几个指标上取得了提升 收敛速度 DEIM显著加快了RT-DETRv2和D-FINE模型的收敛速度使得这些模型在较少的训练周期内就能达到与YOLOv11相当的性能。 平均精度AP 在COCO数据集上DEIM与RT-DETRv2结合时在一天的训练后使用NVIDIA 4090 GPU达到了53.2%的AP显示出在精度上的显著提升。 实时性能 DEIM训练的实时模型在NVIDIA T4 GPU上达到了54.7%和56.5%的AP分别在124和78 FPS的帧率下无需额外数据这表明DEIM在实时目标检测任务中具有更好的性能。 小目标检测 DEIM在小目标检测方面也显示出了优势尽管与某些YOLO模型相比在小目标AP上略有下降但总体AP更高显示出DEIM在整体性能上的提升。
总的来说DEIM通过改进匹配策略和损失函数提高了模型的训练效率和检测性能特别是在实时目标检测领域DEIM为提高目标检测的速度和准确性提供了一种有效的解决方案。
三、往期回顾
yolo入门教程《吐血录制yolo11猫狗实时检测实战项目从零开始写yolov11代码》视频全程25分钟。 1yolo11猫狗实时检测实战项目从零开始写yolov11代码
2从零开始学yolo之yolov1的技术原理
3YOLOv1训练过程新手入门
4YOLOv2和yolov1的差异
5YOLOv3和yolov1、yolov2之间的差异
6YOLOv4算法基本原理以及和YOLOv3 的差异
7YOLOv5算法基本原理大揭秘
8YOLOv6算法基本原理
9YOLOv7算法基本原理
10YOLOv8算法基本原理
11YOLOv9算法基本原理
12YOLOv10算法基本原理
1310张结构图深入理解YOLOv11算法各个模块
高清视频3分钟揭秘神经网络技术原理 Transfermer的Q、K、V设计的底层逻辑
