基于YOLOv5的NEU-DET钢材表面缺陷任务，加入CFPNet、动态卷积ODConv、多个检测头提升精度

1.钢铁缺陷数据集介绍

NEU-DET钢材表面缺陷共有六大类，分别为：'crazing','inclusion','patches','pitted_surface','rolled-in_scale','scratches'

每个类别分布为：

训练结果如下：

2.基于yolov5s的训练

map值：

2.1四个检测头训练结果

​

map从原始的0.742提升到0.786

2.2 加入即插即用的动态卷积ODConv

https://blog.csdn.net/m0_63774211/article/details/129571319

即插即用的动态卷积ODConv

​

map从原始的0.742提升到0.761

2.3 ECVBlock

提出的EVC主要由两个并行连接的块组成，其中使用轻量级MLP来捕获顶级特征的全局长期依赖性（即全局信息）。

如何将ECVBlock应用到yolov5/yolov7是本文的关键，重点是增强用于这些检测器的特征金字塔的表示。

1）将ECVBlock添加到backbone或者是head在不同数据集的性能会不一致，比如本文添加到backbone，在NEU-DET钢材表面缺陷和道路缺陷如任务中取得的涨点也是不一样的；

2）比如在backbone添加的位置不同对最终的性能也是完全不一样的，这点也佐证了深度学习具有玄学，体现了调参的必要性，在不断的调参中自然会取得一定经验值；

map从原始的0.742提升到0.758

by CSDN AI小怪兽 https://blog.csdn.net/m0_63774211/article/details/121408804

我正在参与2023腾讯技术创作特训营第三期有奖征文，组队打卡瓜分大奖！