1.数据集介绍
数据集分布情况：
names: [ 'casting1', 'casting2', 'casting3', 'casting4','casting5', 'casting6' ]
2.Yolov5介绍
YOLOv5在整个神经网络分为4个部分的改进如下：
- Input：数据加载使用了3种数据增强：缩放、色彩空间调整和马赛克增强。
- BackBone：结合了很多先进的图像识别领域的内容和算法，包括：CSPNet、Leaky ReLU和Sigmoid 激活函数。
- Neck：在BackBone和最后的输出层之间往往会插入一些层，这里就加入了SPP-Net、FPN PAN结构。
- Prediction：输出层的锚框机制和Yolov3相同，主要改进的是训练时的损失函数GIOU Loss，加快了收敛速度。
此外，YOLOv5还增加了自适应锚定框的功能，这样就不用根据不同训练数据调整锚定框的大小和位置了。
YOLOv5在兼顾mAP的同时，有着更短的检测时间，同时YOLOv5s的权重文件大小只有27MB，能够更好的适应嵌入式设备和移动设备，如下：
weights参数指定了使用的权重文件，根据模型的规模不同设有4个模型：v5s、v5m、v5l、v5x，权重文件的比较如下表：
2.1.多尺度
为了实现上述微小目标同样可以达到较好的检测效果, YOLOv5模型上通过P2层特征引出了新的检测头. P2层检测头分辨率为160×160像素, 相当于在主干网络中只进行了2次下采样操作, 含有目标更为丰富的底层特征信息. 颈部网络中自上而下和自下而上得到的两个P2层特征与主干网络中的同尺度特征通过concat形式进行特征融合, 输出的特征为3个输入特征的融合结果, 这样使得P2层检测头应对微小目标时, 能够快速有效的检测. P2层检测头加上原始的3个检测头, 可以有效缓解尺度方差所带来的负面影响. 增加的检测头是针对底层特征的, 是通过低水平、高分辨率的特征图生成的, 该检测头对微小目标更加敏感. 尽管添加这个检测头增加了模型的计算量和内存开销, 但是对于微小目标的检测能力有着不小的提升。
2.2 CBAM
CBAM：通道注意力和空间注意力的集成者 轻量级的卷积注意力模块，它结合了通道和空间的注意力机制模块
论文题目：《CBAM: Convolutional Block Attention Module》 论文地址： https://arxiv.org/pdf/1807.06521.pdf
编辑 上图可以看到，CBAM包含CAM（Channel Attention Module）和SAM（Spartial Attention Module）两个子模块，分别进行通道和空间上的Attention。这样不只能够节约参数和计算力，并且保证了其能够做为即插即用的模块集成到现有的网络架构中去。
3.实验结果
加入多尺度和cbam map提升:
by CSDN AI小怪兽 http://cv2023.blog.csdn.net
我正在参与2023腾讯技术创作特训营第三期有奖征文，组队打卡瓜分大奖！
