关键词：
SPD-Conv源于2022年一篇专门针对于小目标和低分辨率图像研究提出来的新技术，可以用于目标检测任务，能够一定程度提升模型的检测效果，今天正好有时间就想基于SPD融合yolov5s模型来开发路面裂痕裂缝检测模型，同时与原生的yolov5s模型进行对比分析，首先看下效果图。
接下来看下数据情况。
标注文件如下：
原生yolov5s模型文件如下：
# YOLOv5 🚀 by Ultralytics, GPL-3.0 license
# Parameters
nc: 1 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
anchors:
- [10,13, 16,30, 33,23] # P3/8
- [30,61, 62,45, 59,119] # P4/16
- [116,90, 156,198, 373,326] # P5/32
# YOLOv5 v6.0 backbone
backbone:
# [from, number, module, args]
[[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2
[-1, 1, Conv, [128, 3, 2]], # 1-P2/4
[-1, 3, C3, [128]],
[-1, 1, Conv, [256, 3, 2]], # 3-P3/8
[-1, 6, C3, [256]],
[-1, 1, Conv, [512, 3, 2]], # 5-P4/16
[-1, 9, C3, [512]],
[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
[-1, 3, C3, [1024]],
[-1, 1, SPPF, [1024, 5]], # 9
]
# YOLOv5 v6.0 head
head:
[[-1, 1, Conv, [512, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 6], 1, Concat, [1]], # cat backbone P4
[-1, 3, C3, [512, False]], # 13
[-1, 1, Conv, [256, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 4], 1, Concat, [1]], # cat backbone P3
[-1, 3, C3, [256, False]], # 17 (P3/8-small)
[-1, 1, Conv, [256, 3, 2]],
[[-1, 14], 1, Concat, [1]], # cat head P4
[-1, 3, C3, [512, False]], # 20 (P4/16-medium)
[-1, 1, Conv, [512, 3, 2]],
[[-1, 10], 1, Concat, [1]], # cat head P5
[-1, 3, C3, [1024, False]], # 23 (P5/32-large)
[[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
]融合 SPD-Conv模型文件如下：
# Parameters
nc: 1 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
anchors:
- [10,13, 16,30, 33,23] # P3/8
- [30,61, 62,45, 59,119] # P4/16
- [116,90, 156,198, 373,326] # P5/32
backbone:
[[-1, 1, Focus, [64, 3]], # 0-P1/2
[-1, 1, Conv, [128, 3, 1]], # 1
[-1,1,space_to_depth,[1]], # 2 -P2/4
[-1, 3, C3, [128]], # 3
[-1, 1, Conv, [256, 3, 1]], # 4
[-1,1,space_to_depth,[1]], # 5 -P3/8
[-1, 6, C3, [256]], # 6
[-1, 1, Conv, [512, 3, 1]], # 7-P4/16
[-1,1,space_to_depth,[1]], # 8 -P4/16
[-1, 9, C3, [512]], # 9
[-1, 1, Conv, [1024, 3, 1]], # 10-P5/32
[-1,1,space_to_depth,[1]], # 11 -P5/32
[-1, 3, C3, [1024]], # 12
[-1, 1, SPPF, [1024, 5]], # 13
]
head:
[[-1, 1, Conv, [512, 1, 1]], # 14
[-1, 1, nn.Upsample, [None, 2, 'nearest']], # 15
[[-1, 9], 1, Concat, [1]], # 16
[-1, 3, C3, [512, False]], # 17
[-1, 1, Conv, [256, 1, 1]], # 18
[-1, 1, nn.Upsample, [None, 2, 'nearest']], # 19
[[-1, 6], 1, Concat, [1]], # 20
[-1, 3, C3, [256, False]], # 21
[-1, 1, Conv, [256, 3, 1]], # 22
[-1,1,space_to_depth,[1]], # 23
[[-1, 18], 1, Concat, [1]], # 24
[-1, 3, C3, [512, False]], # 25
[-1, 1, Conv, [512, 3, 1]], # 26
[-1,1,space_to_depth,[1]], # 27
[[-1, 14], 1, Concat, [1]], # 28
[-1, 3, C3, [1024, False]], # 29
[[21, 25, 29], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
]默认在相同的数据配置下，均执行100次epoch的迭代计算，接下来看下模型的实际表现。
yolov5s结果输出：
spd结果输出：
从训练结果输出上面来看：spd的结果要优于原生的YOLOv5s模型的，在训练时间上直观来看spd的训练时长达到了yolov5s的两倍，实际则不然，因为训练原生yolov5s的时候是独占显卡的，但是训练yolov5s-spd模型的时候因为有其他的模型训练在并行进行，所以时长消耗被拉长了。
接下来看下结果详情对比。
混淆矩阵：
F1值曲线：
PR曲线：
综合对比可以看到：SPD模型都是要优于原生模型的。
LABEL可视化：
batch计算实例如下：
最终基于专门的界面实现可视化推理，样例如下：
简单实践记录一下，关于spd的介绍在我之前的文章中有详细的介绍，本文主要是以应用为主就没有再赘述了。
芒果改进yolov7系列：首发改进特征融合网络bifpn结构，融合更多有效特征
改进yolov7-tiny系列：首发改进结合bifpn结构的特征融合网络，网络融合更多有效特征，高效涨点
yolov8改进策略：internimage与yolov8深度融合，动态卷积dcnv3大显神威
文章目录摘要“书生2.5”的应用1.图像模态任务性能2.图文跨模态任务性能核心技术改进方法结果对比摘要他来了！他来了！他带着氩弧焊的光芒过来了！作为CV的大模型，InternImage的光芒太强了。2023年3月14日: 查看详情
芒果改进yolov7系列：全网首发最新mobilevitv3系列最强改进版本｜轻量化transformer视觉转换器，简单有效地融合了本地全局和输入特征，高效涨点
yoloair，一个基于pytorch的yolo工具箱...
点击机器学习算法与Python学习，选择加星标精彩内容不迷路机器之心编辑部YOLOAir算法代码库是一个基于PyTorch的YOLO系列目标检测开源工具箱。使用统一模型代码框架、统一应用方式、统一调参，该库包含大量的改进模块&#... 查看详情
目标检测tph-yolov5：基于transformer的改进yolov5的无人机目标检测(代码片段)
简介最近在使用VisDrone作为目标检测任务的数据集，看到了这个TPH-YOLOv5这个模型在VisDrone2021testset-challenge数据集上的检测效果排到了第五，mAP达到39.18%。于是开始阅读它的论文，并跑一跑的它的代码。论文地址：ht... 查看详情
改进yolov5系列：增加swin-transformer小目标检测头(代码片段)
...低改进难度,改进点包含【Backbone特征主干】、【Neck特征融合】、【Head检测头】、【注意力机制】、【IoU损失函数】、【NMS】、【Loss计算方式】、【自注意力机制】、【数据增强部分】、【标签分配策略】、【激活函数】等各个... 查看详情
yolov5yolov添加asff,网络改进优化(代码片段)
...正。文章目录前言一、ASFF来源及功能二、ASFF代码二、ASFF融合Yolov5网络三、构建使用ASFF的网络四、查看效果一、ASFF来源及功能ASFF：AdaptivelySpatialFeatureFusion(自适应空间特征融合)论文来源：LearningSpatialFusionforSingle-ShotObjectD... 查看详情
yolov3算法的详细说明
...详细说明YOLOv3没有太多的创新，主要是借鉴一些好的方案融合到YOLO里面。不过效果还是不错的，在保持速度优势的前提下，提升了预测精度，尤其是加强了对小物体的识别能力。本文主要讲v3的改进，由于是以v1和v2为基础，关... 查看详情
yolov5改进yolov7改进iou损失函数：yolov7涨点trick，改进添加siou损失函数eiou损失函数giou损失函数α-iou损失函数(代码片段)
...有文章都是全网首发原创改进内容🚀💡本篇文章基于YOLOv5、YOLOv7芒果改进YOLO系列：YOLOv7改进IoU损失函数：YOLOv7涨点Trick，改进添加SIoU损失函数、EIoU损失函数、GIoU损失函数、α-IoU损失函数、打造全新YOLOv7检测... 查看详情
目标检测论文解读复现no.25基于改进yolov5的地铁隧道附属设施与衬砌表观病害检测方法
前言此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标... 查看详情
yolov3算法的详细说明
YOLOv3没有太多的创新，主要是借鉴一些好的方案融合到YOLO里面。不过效果还是不错的，在保持速度优势的前提下，提升了预测精度，尤其是加强了对小物体的识别能力。本文主要讲v3的改进，由于是以v1和v2为基础，关于YOLO1和YOL... 查看详情
改进yolov5系列：8.增加acmix结构的修改,自注意力和卷积集成(代码片段)
...集改进🏆、创新点改进👇💡YOLOAir项目：基于YOLOv5代码框架，结合不同模块来构建不同的YOLO目标检测模型。🌟本项目包含大量的改进方式,降低改进难度,改进点包含Backbone、Neck、Head、注意力机制、IoU损失... 查看详情
全网独家首发｜极致版yolov7改进大提升（推荐）网络配置文件仅24层！更清晰更方便更快的改进yolov7网络模型(代码片段)
...力，数层数都要数很久，还很容易出错，而且基于YOLOv5代码架构，Debug起来也确实比较费时，所以博主对YOLOv7网络配置进行了一个结构改造，一个🚀极致简洁直观的YOLOv7网络配置结构🚀（强烈... 查看详情
目标检测论文解读复现之八：基于yolov5s的滑雪人员检测研究
前言 此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新... 查看详情
yolov5改进技巧详解(代码片段)
本文以yolov5-7.0的代码进行讲解yolov5的改进技巧。1.使用yolov5-p6以及yolov5-p7模型yolov5官方实现的代码，提供了多种架构的模型配置文件，包括:yolov3-spp,yolov5-bifpn,yolov5-p6,yolov5-p7,yolov5-panet,yolov5-transformer如果想训练不同架构的模型，... 查看详情
yolov5/v7/v8改进最新主干系列biformer：顶会cvpr2023即插即用，小目标检测涨点必备，首发原创改进，基于动态查询感知的稀疏注意力机制构建高效金字塔网络架构，打造高精度检测器
芒果改进目录一览｜改进yolov5yolov7等yolo模型全系列目录(代码片段)
芒果改进系列必读🔥博客内的改进文章，内均包含多种模型改进方式，均适用于YOLOv5系列以及YOLOv7系列改进（重点）！！！🔥专栏创新点教程均有不少同学反应和我说已经在自己的数据集上有... 查看详情