YOLOV5算法流程图
2025-06-06 09:51:23 1 举报- 输入图像首先通过一个预先设定的分辨率处理，以符合网络训练时的尺寸。 - 然后输入数据流经一个深度可分离的卷积层序列，这是利用Darknet-53作为其骨干网络的一部分，提取图像特征。
作者其他创作
大纲/内容
21Conv
23yolov5 7.0：C3无残差_1
SPPF
nn.conv2d
22Concat
19Concat
20yolov5 7.0：C3无残差_1
1Conv
Conv
=
Bottleneck
C3_n
C3
15上采样
14Conv
16Concat
BatchNorm2d
yolov5 早期：Leaky reluyolov5 7.0：SiLU
24
YOLOV5
流程
17yolov5 7.0：C3无残差_1
18Conv
160*160*64
0yolov5 早期：Focusyolov5 7.0：Conv
80*80*256
80*80*128
Concat
40*40*256
self.add = shortcut and c1 == c2
20*20*512
20*20*256
13yolov5 7.0：C3无残差_1
40*40*128
如果shortcut==True并且输入输入输出通道数相同
autopad
上采样
9SPPF
640*640*3
320*320*32
10Conv
n个残差组件Bottleneck
12Concat
11上采样
这里设置为1
8yolov5 早期：CSP1_1yolov5 7.0：C3残差_1
7Conv
arguments：[1]
Maxpool
BottleneckCSP
3Conv
4yolov5 早期：CSP1_3yolov5 7.0：C3残差_2
5Conv
6yolov5 早期：CSP1_3yolov5 7.0：C3残差_3
arguments：[256，255，1，1]
arguments：[128，255，1，1]
arguments：[512，255，1，1]
2yolov5 早期：CSP1_1yolov5 7.0：C3残差_1
Res unit残差组件对应yolo的Bottleneck
输入图像
40*40*512
add
0 条评论
下一页
