根据之前的YOLO面试经历，我整理了一份笔记
5星
- 浏览量: 0
- 大小:None
- 文件类型：None
简介：
这份笔记详细记录了作者参加YOLO（You Only Live Once）项目面试的经历与心得，旨在为即将参与面试的读者提供有价值的参考和建议。
YOLOv5 和 YOLOv8 是两种实时目标检测算法，在原有基础上进行了改进与优化。
**关于YOLOv5：**
YOLOv5 在设计上基于 YOLOv4，并进行了一系列的调整，以提高其性能和效率。它将 Focus 模块替换为一个 6x6 的卷积层，这在某些 GPU 设备中更为高效。同时，在数据预处理阶段，YOLOv5 使用了 Mosaic 数据增强方法以及自适应锚框计算、图片缩放等技术。
**YOLOv5 和 YOLOv4 相比：**
1. **相同点：**
- 两者都采用 CSPDarknet53 作为主干网络（backbone），并使用 PANET 结构来聚合特征。
2. **不同点：**
- YOLOv5 实现了自适应锚框学习，而 YOLOv4 则没有这一特性。此外，在激活函数的选择上，YOLOv5 使用 leakyReLU 和 Sigmoid，而在主干网络中则使用 mish 激活函数的复杂度较高。
- 在网络输入的第一层增加了 Focus 结构是另一个区别点。
**关于YOLOv8：**
基于 YOLOv5 的改进和优化，YOLOv8 引入了 CSP 和 C2f 两种结构。CSP 分为 backbone 中的 CSP1_X（其中 X 表示组件数量）与 Neck 中的 CSP2_X；而 C2f 结构则分为 backbone 中的 C2f1 和 Neck 中的 C2f2，它们都通过增加跳层连接来丰富特征信息，并减少计算量。
**注意力机制：**
YOLOv8 采用了 CBAM（Convolutional Block Attention Module）和 SE（Squeeze-and-Excitation）两种注意力机制。CBAM 包含通道和空间两个部分的注意力模块，而 SE 则通过挤压步骤与激发步骤来实现特征图的关注。
总之，无论是 YOLOv5 还是 YOLOv8，在目标检测领域的应用都展示了它们在性能上的巨大提升，并且这些改进也反映了深度学习技术的发展趋势。
全部评论 (0)
