Yolov5更换上采样方式( 最近邻 / 双线性 / 双立方 / 三线性 / 转置卷积)

Yolov5更换上采样方式

前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站。

文章目录

常用上采样方式介绍

1. 最近邻插值(Nearest neighbor interpolation)

>>>input= torch.arange(1,5, dtype=torch.float32).view(1,1,2,2)>>>input
tensor([[[[1.,2.],[3.,4.]]]])>>> m = nn.Upsample(scale_factor=2, mode='nearest')>>> m(input)
tensor([[[[1.,1.,2.,2.],[1.,1.,2.,2.],[3.,3.,4.,4.],[3.,3.,4.,4.]]]])

2. 双线性插值(Bi-Linear interpolation)

>>>input= torch.arange(1,5, dtype=torch.float32).view(1,1,2,2)>>>input
tensor([[[[1.,2.],[3.,4.]]]])>>> m = nn.Upsample(scale_factor=2, mode='bilinear')# align_corners=False>>> m(input)
tensor([[[[1.0000,1.2500,1.7500,2.0000],[1.5000,1.7500,2.2500,2.5000],[2.5000,2.7500,3.2500,3.5000],[3.0000,3.2500,3.7500,4.0000]]]])>>> m = nn.Upsample(scale_factor=2, mode='bilinear', align_corners=True)>>> m(input)
tensor([[[[1.0000,1.3333,1.6667,2.0000],[1.6667,2.0000,2.3333,2.6667],[2.3333,2.6667,3.0000,3.3333],[3.0000,3.3333,3.6667,4.0000]]]])

3. 双立方插值(Bi-Cubic interpolation)

>>>input= torch.arange(1,5, dtype=torch.float32).view(1,1,2,2)>>>input
tensor([[[[1.,2.],[3.,4.]]]])>>> m = nn.Upsample(scale_factor=2, mode='bicubic')# align_corners=False>>> m(input)
tensor([[[[0.6836,1.0156,1.5625,1.8945],[1.3477,1.6797,2.2266,2.5586],[2.4414,2.7734,3.3203,3.6523],[3.1055,3.4375,3.9844,4.3164]]]])>>> m = nn.Upsample(scale_factor=2, mode='bicubic', align_corners=True)>>> m(input)
tensor([[[[1.0000,1.3148,1.6852,2.0000],[1.6296,1.9444,2.3148,2.6296],[2.3704,2.6852,3.0556,3.3704],[3.0000,3.3148,3.6852,4.0000]]]])

计算效果：最近邻插值算法 < 双线性插值 < 双三次插值
计算速度：最近邻插值算法 > 双线性插值 > 双三次插值

4. 三线性插值(Trilinear Interpolation)

当

align_corners = True

时，线性插值模式(线性、双线性、双三线性和三线性)不按比例对齐输出和输入像素，因此输出值可以依赖于输入的大小

5. 反池化

6. 转置卷积

yolov5

默认采用的就是

最近邻插值

实验结果

这里我将原本的

最近邻插值

的上采样方式替换为

转置卷积

；有人通过实验证明了确实涨点，但是我在VOC数据集上测试并没有涨点，

mAP0.5

大概掉了不到1点

修改方式：

第一步；在

models/yolo.py

添加

nn.ConvTranspose2d

第二步；

models/yolo.py

添加如下代码

elif m is nn.ConvTranspose2d:iflen(args)>=7:
                    args[6]= make_divisible(args[6]* gw,8)

第三步；修改配置文件，以yolov5s.yaml为例

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# Parameters
nc:80# 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.ConvTranspose2d,[512,4,2,1,0,512]],[[-1,6],1, Concat,[1]],# cat backbone P4[-1,3, C3,[512,False]],# 13[-1,1, Conv,[256,1,1]],[-1,1, nn.ConvTranspose2d,[256,4,2,1,0,256]],[[-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)]

出现下面这样子就是运行成功啦

前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站。

本人更多YOLOv5实战内容导航🍀🌟🚀

1. 手把手带你调参Yolo v5 (v6.2)（推理）🌟强烈推荐
2. 手把手带你调参Yolo v5 (v6.2)（训练）🚀
3. 手把手带你调参Yolo v5 (v6.2)（验证）
4. 如何快速使用自己的数据集训练Yolov5模型
5. 手把手带你Yolov5 (v6.2)添加注意力机制(一)（并附上30多种顶会Attention原理图）🌟强烈推荐🍀新增8种
6. 手把手带你Yolov5 (v6.2)添加注意力机制(二)（在C3模块中加入注意力机制）
7. Yolov5如何更换激活函数？
8. Yolov5如何更换BiFPN?
9. Yolov5 (v6.2)数据增强方式解析
10. Yolov5更换上采样方式( 最近邻 / 双线性 / 双立方 / 三线性 / 转置卷积)
11. Yolov5如何更换EIOU / alpha IOU / SIoU？
12. Yolov5更换主干网络之《旷视轻量化卷积神经网络ShuffleNetv2》
13. YOLOv5应用轻量级通用上采样算子CARAFE
14. 空间金字塔池化改进 SPP / SPPF / SimSPPF / ASPP / RFB / SPPCSPC / SPPFCSPC🚀
15. 用于低分辨率图像和小物体的模块SPD-Conv
16. GSConv+Slim-neck 减轻模型的复杂度同时提升精度🍀
17. 头部解耦 | 将YOLOX解耦头添加到YOLOv5 | 涨点杀器🍀
18. Stand-Alone Self-Attention | 搭建纯注意力FPN+PAN结构🍀
19. YOLOv5模型剪枝实战🚀
20. YOLOv5知识蒸馏实战🚀
21. YOLOv7知识蒸馏实战🚀
22. 改进YOLOv5 | 引入密集连接卷积网络DenseNet思想 | 搭建密集连接模块🍀

有问题欢迎大家指正，如果感觉有帮助的话请点赞支持下👍📖🌟