基于融合SPD+BIFPN+CBAM改进YOLOv5的奶牛检测识别分析系统开发

在我之前的几篇文章中分别应用了不同的tricks来改进yolov5模型如下：

加入针对小目标的SPD-Conv模块

《yolov5s融合SPD-Conv用于提升小目标和低分辨率图像检测性能实践五子棋检测识别》

加入BIFPN特征融合模块

《基于yolov5s+bifpn实践隧道裂缝裂痕检测》

加入注意力机制模块

《YOLOV5融合SE注意力机制和SwinTransformer模块开发实践的中国象棋检测识别分析系统》

感兴趣的话可以自行移步阅读。

本文主要是实际项目需要，针对摄像机拍摄到的奶牛的数据进行检测，考虑到真实情况复杂的问题，这里考虑将一些优化技术加入到原生的yolov5中以期来提升模型的检测性能。首先看下效果：

这里主要加入了：注意力模块CBAM、特征提取模块BIFPN和小目标优化技术SPD-Conv，基准模型是yolov5s，兼顾精度和速度。

直接看下yaml文件，如下：

#Parametersnc: 1 # number of classesdepth_multiple: 0.33 # model depth multiplewidth_multiple: 0.50 # layer channel multipleanchors:- [10,13, 16,30, 33,23] # P3/8- [30,61, 62,45, 59,119] # P4/16- [116,90, 156,198, 373,326] # P5/32#Backbonebackbone:# [from, number, module, args][[-1, 1, Focus, [64, 3]],# 0-P1/2[-1, 1, Conv, [128, 3, 1]], # 1[-1,1,SPD,[1]], # 2 -P2/4[-1, 3, C3, [128]],# 3[-1, 1, Conv, [256, 3, 1]], # 4[-1,1,SPD,[1]], # 5 -P3/8[-1, 6, C3, [256]],# 6[-1, 1, Conv, [512, 3, 1]], # 7-P4/16[-1,1,SPD,[1]], # 8 -P4/16[-1, 9, C3, [512]],# 9[-1, 1, Conv, [1024, 3, 1]], # 10-P5/32[-1,1,SPD,[1]], # 11 -P5/32[-1, 3, C3, [1024]], # 12[-1, 1, SPPF, [1024, 5]], # 13]#Headhead:[[-1, 1, Conv, [512, 1, 1]], #14[-1, 1, nn.Upsample, [None, 2, 'nearest']],#15[[-1, 9], 1, BiFPND, [256, 256]],#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, BiFPND, [128, 128]],#20 [-1, 3, C3, [256, False]], #21 [-1, 1, Conv, [512, 3, 2]], #22[[-1, 17, 9], 1, BiFPNT, [256, 256]],#23[-1, 3, C3, [512, False]], #24 [-1, 1, Conv, [512, 3, 2]], #25[[-1, 14], 1, BiFPND, [256, 256]], #26[-1, 3, C3, [1024, False]], #27 [-1, 1, CBAM, [1024]], #28[[21, 24, 28], 1, Detect, [nc, anchors]], #29 Detect]

数据集如下：

YOLO格式标注数据如下：

样例标注实例如下所示：

0 0.065234 0.385764 0.107031 0.0951390 0.06582 0.539931 0.079297 0.1659720 0.023633 0.762153 0.046484 0.1659720 0.16875 0.738889 0.111719 0.1777780 0.183203 0.663542 0.104688 0.940 0.44 0.571528 0.079687 0.2180560 0.258008 0.528125 0.063672 0.1895830 0.30293 0.500694 0.079297 0.2611110 0.225195 0.313542 0.118359 0.1270830 0.422461 0.544792 0.126172 0.1354170 0.442383 0.636458 0.179297 0.0951390 0.428711 0.715972 0.185547 0.0944440 0.406836 0.843056 0.134766 0.223611

VOC格式标注数据如下所示：

样例标注实例如下所示：

<annotation><folder>0000</folder><filename>60a4784df6bcca758ee48d5b.jpg</filename><path>60a4784df6bcca758ee48d5b.jpg</path><source><database>Unknown</database></source><size><width>2560</width><height>1440</height><depth>3</depth></size><segmented>0</segmented><object><name>cow</name><pose>Unspecified</pose><truncated>0</truncated><difficult>0</difficult><bndbox><xmin>102</xmin><ymin>111</ymin><xmax>329</xmax><ymax>573</ymax></bndbox></object><object><name>cow</name><pose>Unspecified</pose><truncated>1</truncated><difficult>0</difficult><bndbox><xmin>1</xmin><ymin>549</ymin><xmax>275</xmax><ymax>819</ymax></bndbox></object><object><name>cow</name><pose>Unspecified</pose><truncated>0</truncated><difficult>0</difficult><bndbox><xmin>19</xmin><ymin>1062</ymin><xmax>416</xmax><ymax>1322</ymax></bndbox></object><object><name>cow</name><pose>Unspecified</pose><truncated>0</truncated><difficult>0</difficult><bndbox><xmin>497</xmin><ymin>1103</ymin><xmax>1165</xmax><ymax>1373</ymax></bndbox></object><object><name>cow</name><pose>Unspecified</pose><truncated>0</truncated><difficult>0</difficult><bndbox><xmin>1132</xmin><ymin>1076</ymin><xmax>1524</xmax><ymax>1325</ymax></bndbox></object><object><name>cow</name><pose>Unspecified</pose><truncated>0</truncated><difficult>0</difficult><bndbox><xmin>1146</xmin><ymin>1306</ymin><xmax>1621</xmax><ymax>1438</ymax></bndbox></object><object><name>cow</name><pose>Unspecified</pose><truncated>0</truncated><difficult>0</difficult><bndbox><xmin>1527</xmin><ymin>1089</ymin><xmax>1970</xmax><ymax>1435</ymax></bndbox></object></annotation>

默认设定100次epoch计算，训练完成后结果目录如下所示：

标签数据可视化：

这里只有一个类别。

混淆矩阵：

训练过程指标可视化：

F1值曲线和PR曲线：

从检测结果样例上面来直观看的话效果还是很不错的，结合F1值曲线也不难印证这一点。

如果觉得《基于融合SPD+BIFPN+CBAM改进YOLOv5的奶牛检测识别分析系统开发》对你有帮助，请点赞、收藏，并留下你的观点哦！