Glossário IA
O dicionário completo da Inteligência Artificial
CSPDarknet53
Backbone otimizado do YOLOv5 que utiliza a técnica Cross Stage Partial Network para reduzir a carga computacional enquanto preserva a precisão da extração de features.
Focus Layer
Camada de entrada específica do YOLOv5 que aplica um rearranjo espacial e concatenação para aumentar a resolução espacial enquanto reduz os canais, melhorando a velocidade sem perda de informação.
SPP Module
Spatial Pyramid Pooling integrado no YOLOv5 para extrair features em diferentes escalas espaciais sem a necessidade de entradas de tamanho fixo, melhorando a robustez do modelo.
Mosaic Data Augmentation
Técnica de aumento de dados exclusiva do YOLO que combina 4 imagens em uma única, forçando o modelo a aprender a detectar objetos em contextos variados e parcialmente visíveis.
YOLOv5s/m/l/x
Variantes de tamanho do modelo YOLOv5 que oferecem diferentes compromissos entre velocidade e precisão: small (s), medium (m), large (l) e extra-large (x).
IoU Loss
Função de perda utilizada no YOLOv5 que mede a sobreposição entre as bounding boxes preditas e as ground truths, otimizando diretamente a métrica de avaliação IoU.
YOLOv5u
Variante ultralytics do YOLOv5 que introduz a abordagem anchor-free e melhorias de convergência, substituindo as anchor boxes por uma previsão direta das dimensões dos objetos.
TAL (Task-Aligned Learning)
Abordagem de aprendizado nas variantes modernas do YOLO que alinha a classificação e a localização de objetos para melhorar simultaneamente essas duas tarefas fundamentais.
YOLOX
Evolução do YOLO que introduz uma arquitetura sem âncoras (anchor-free), um aprendizado desacoplado (decoupled learning) e melhorias nas aumentações de dados (data augmentations), superando o YOLOv5 em vários benchmarks.
YOLOv7
Versão avançada do YOLO que introduz métodos de re-parametrização, escalonamento de modelos e arquiteturas compostas escaláveis para alcançar desempenhos de ponta (state-of-the-art).
AP50:95
Métrica de avaliação padrão no YOLO que mede a precisão média em todos os limiares de IoU de 0.5 a 0.95, representando o desempenho global do modelo.
CSPNet
Técnica Cross Stage Partial Network que reduz a informação duplicada do gradiente em redes profundas, otimizando o equilíbrio entre precisão e velocidade no YOLOv5.
ELAN
Efficient Layer Aggregation Network introduzido no YOLOv7, controlando os caminhos de gradiente mais curtos e mais longos para melhorar a convergência e a eficiência computacional.
RepConv
Re-parametrização de camada convolucional que permite transformar múltiplas ramificações em uma única convolução durante a inferência, melhorando a velocidade sem comprometer o desempenho.