目标检测YOLO实战应用案例100讲-基于YOLOv5_tiny算法的路面裂缝智能检测(续)

前言YOLOv5 是在 YOLOv4 出来之后没多久就横空出世了。今天笔者介绍一下 YOLOv5 的相关知识。目前 YOLOv5 发布了新的版本，6.0版本。在这里，YOLOv5 也在5.0基础上集成了更多特性，同时也对模型做了微调，并且优化了模型大小，减少了模型的参数量。那么这样，就更加适合移动端了。 欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。 YOLOv5 网络模型结构 与之前的 YOLOv3、YOLOv4 不同，v3、v4 除..

TensorRT yolov4 yolov4-tiny yolov5 软硬件环境： Jetson Nano 4G JP 4.4.1 CUDA 10.2 TensorRT 7.1.3.0 Pytorch 1.6.0 参考大佬项目： https://github.com/enazoe/yolo-tensorrt作者封装了模型的转换 https://github.com/wang-xinyu/tensorrtx https://github.com/jkjung-avt/tens

使用YOLOv5作为模型框架训练小目标检测数据集，去构建基于Tinyperson数据集的小目标检测系统

采用r - yolov7微模型和μCT技术对浸水玉米胚乳裂纹进行了检测。提出的ryolov7微型模型引入了旋转盒，以更准确地框定胚乳裂纹。网络结构中增加了SiLU激活函数、CoT block、GhostConv和C3_TR模块，以减小模型尺寸，提高精度。此外，提出了一种胚乳裂纹长度和数量提取算法，并将其纳入R-YOLOv7-tiny模型的检测头中，实现了裂纹信息的自动提取。该方法能够准确、快速地分析种子浸泡过程中胚乳开裂的变化。

缺陷检测通常是指对物品表面缺陷的检测，表面缺陷检测是采用先进的机器视觉检测技术，对工件表面的斑点、凹坑、划痕、色差、缺损等缺陷进行检测。缺陷检测是工业上非常重要的一个应用，由于缺陷多种多样，传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移，复用性不大，要求区分工况，这会浪费大量的人力成本。深度学习在特征提取和定位上取得了非常好的效果，越来越多的学者和工程人员开始将深度学习算法引入到缺陷检测领域中这种测量方法是在线非接触式检测设备，轮廓测量仪适用于轧制中的长材检测，如圆钢、方钢、螺纹钢、T型钢等，一般的表

YOLO系列目标检测算法以其速度和精度著称，但对于细长目标例如血管、道路等，其性能仍有提升空间。动态蛇形卷积（DSC）是YOLOv5/v7中引入的一种改进，旨在更好地处理细长目标。DSC的核心是使用控制点序列来变形卷积核。# 根据目标框生成控制点序列# 将目标框转换为控制点序列]))DSC根据控制点序列变形卷积核。# 根据控制点序列变形卷积核DSC层继承自nn.Module类，并实现了DSC操作。# 生成控制点序列# 变形卷积核# DSC操作return out。

因项目需求，所以要使用yolo进行操作，现在对yolov5进行教程，代码可以在这下载：https://github.com/ultralytics/yolov5。

本次分享的就是最近刚刚发布的基于企业开发需要而产生的yolov5（因为相关论文还没有发表，所以本文不过分讲解其中原理，可自行了解；只对具体的实现操作和部署进行分享）。以下会详细介绍yolov5的下载安装和使用技巧以及如何使用自己的数据集进行小目标的检测工作。

本文版权属于GiantPandaCV，未经允许请勿转载 前言： 毕设的一部分，前段时间，在yolov5上进行一系列的消融实验，让他更轻（Flops更小，内存占用更低，参数更少），更快（加入shuffle channel，yolov5 head进行通道裁剪，在320的input_size至少能在树莓派4B上一秒推理10帧），更易部署（摘除Focus层和四次slice操作，让模型量化精度下降在可接受范围内）。 一、消融实验结果比对 ID Model Input_size Flops Params Si.

ubuntu 18.04/20.04 下安装运行yolov5 首先建立一个文件夹随便命名就好(保证自己以后可以方便找到)，然后保证自己的python的版本要大于3：下载python3.7 sudo apt-get install python3.7 1 然后安装 python-...

参考: https://github.com/zerollzeng/tiny-tensorrt https://forums.developer.nvidia.com/t/tiny-tensorrt-a-simple-efficient-easy-to-use-tensorrt-wrapper-for-cnn-sopport-c-and-python/83644

【实战精选】基于TinyNet-BackBone改进YOLOv5的胡萝卜表面缺陷分类系统

石油化工装置火灾烟雾检测，可以预防火灾，保证生产安全和生命安全。文章旨在解决复杂工厂背景下火焰烟雾检测中的漏检和误检问题。文章提出了一种基于YOLOv5的火焰烟雾检测算法。目标回归损失函数(CIoU)用于改善目标检测中的漏检和误检，提高模型的检测性能。改进后的激活函数避免了梯度消失，保持了算法较高的实时性。数据增强技术用于增强网络提取特征的能力，提高小目标检测模型的准确性。根据火焰烟雾的实际情况，改进了YOLOv5模型的损失函数和激活函数。

tiny-car（微型车）：指车身较小的私家车，例如微型轿车、城市代步车等。通常这些车辆在城市交通中占据较少的空间，适合在狭窄的道路和停车位中行驶。mid-car（中型车）：指较为常见的普通私家车，例如轿车、两厢车等。它们在城市交通中占有较大的比重，并且在各种交通流量和停车需求中都表现较为突出。big-car（大型车）：通常指的是中大型轿车或SUV，它们的车身较大，占据的道路空间更多，停车需求较高。small-truck（小型卡车）：指小型货车和面包车，广泛用于城市运输和配送。

YOLOv5是一种基于深度学习的目标检测模型，相较于YOLOv4，YOLOv5模型在目标检测精度和速度上都有了显著的提升。YOLOv5模型基于PyTorch开发，利用主干网络、检测头和损失函数等模块，能够实现对图像中多个目标的快速检测和定位。

一 项目目录结构《人工智能专栏》 Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程。