Skip to content

Releases: yyccR/yolov5_in_tf2_keras

v1.1

24 Jun 07:25
Compare
Choose a tag to compare

v1.1 几个总结:

  • [1]. 调整tf.keras.layers.BatchNormalization的__call__方法中training=True
  • [2]. 新增TFLite/onnx格式导出与验证,详见/data/h5_to_tflite.py, /data/h5_to_onnx.py
  • [3]. 修改backbone网络里batch_size,在训练和测试时需指定,避免tflite导出时FlexOps问题
  • [4]. YoloHead里对类别不再做softmax,直接sigmoid,支持多类别输出
  • [5]. release里的yolov5s-best.h5为kaggle猫狗脸数据集的重新训练权重,训练:测试为8:2,val精度大概如下:
class mAP@0.5 mAP@0.5:0.95 precision recall
cat 0.962680 0.672483 0.721003 0.958333
dog 0.934285 0.546893 0.770701 0.923664
total 0.948482 0.609688 0.745852 0.940999
  • [6]. release里的yolov5s-best.tflite为上述yolov5s-best.h5的tflite量化模型,建议用Netron软件打开查看输入输出
  • [7]. release里的yolov5s-best.onnx为上述yolov5s-best.h5的onnx模型,建议用Netron软件打开查看输入输出
  • [8]. android 模型测试效果如下:

就这样,继续加油!💪🏻💪🏻💪🏻

v1.0

21 Jun 09:29
Compare
Choose a tag to compare

v1.0 几个总结:

  • [1]. 模型结构总的与 ultralytics/yolov5 v6.0 保持一致
  • [2]. 其中Conv层替换swishRelu
  • [3]. 整体数据增强与 ultralytics/yolov5 保持一致
  • [4]. readme中训练所需的数据集为kaggle公开猫狗脸检测数据集,已放到release列表中
  • [5]. 为什么不训练coco数据集?因为没资源,跑一个coco要很久的,服务器一直都有任务在跑所以没空去跑 - . -
  • [6]. release里的yolov5s-best.h5为上述kaggle猫狗脸数据集的训练权重,训练:测试为8:2,val精度大概如下:
class mAP@0.5 mAP@0.5:0.95 precision recall
cat 0.905156 0.584378 0.682848 0.886555
dog 0.940633 0.513005 0.724036 0.934866
total 0.922895 0.548692 0.703442 0.910710

就这样,继续加油!💪🏻💪🏻💪🏻