Глоссарий ИИ
Полный словарь искусственного интеллекта
CSPDarknet53
Оптимизированный бэкбон YOLOv5, использующий технику Cross Stage Partial Network для снижения вычислительной нагрузки при сохранении точности извлечения признаков.
Focus Layer
Специфичный для YOLOv5 входной слой, применяющий пространственную перестановку и конкатенацию для увеличения пространственного разрешения при уменьшении каналов, улучшая скорость без потери информации.
SPP Module
Spatial Pyramid Pooling, интегрированный в YOLOv5 для извлечения признаков на разных пространственных масштабах без необходимости входных данных фиксированного размера, повышая устойчивость модели.
Mosaic Data Augmentation
Эксклюзивная техника аугментации данных YOLO, объединяющая 4 изображения в одно, заставляя модель учиться обнаруживать объекты в различных контекстах и при частичной видимости.
YOLOv5s/m/l/x
Варианты размера модели YOLOv5, предлагающие различные компромиссы между скоростью и точностью: small (s), medium (m), large (l) и extra-large (x).
IoU Loss
Функция потерь, используемая в YOLOv5, измеряющая перекрытие между предсказанными ограничивающими рамками и ground truth, напрямую оптимизируя метрику оценки IoU.
YOLOv5u
Ultratics-вариант YOLOv5, вводящий anchor-free подход и улучшения сходимости, заменяя anchor boxes прямым предсказанием размеров объектов.
TAL (Task-Aligned Learning)
Подход обучения в современных вариантах YOLO, выравнивающий классификацию и локализацию объектов для одновременного улучшения этих двух фундаментальных задач.
YOLOX
Эволюция YOLO, представляющая архитектуру без привязки, раздельное обучение и улучшение аугментации данных, превосходящая YOLOv5 на нескольких тестах.
YOLOv7
Продвинутая версия YOLO, представляющая методы репараметризации, масштабирования моделей и составные масштабируемые архитектуры для достижения передовых показателей.
AP50:95
Стандартная метрика оценки в YOLO, измеряющая среднюю точность по всем порогам IoU от 0.5 до 0.95, представляющая общую производительность модели.
CSPNet
Техника Cross Stage Partial Network, уменьшающая дублирование градиентной информации в глубоких сетях, оптимизирующая баланс между точностью и скоростью в YOLOv5.
ELAN
Efficient Layer Aggregation Network, представленный в YOLOv7, контролирующий самые короткие и длинные пути градиента для улучшения сходимости и вычислительной эффективности.
RepConv
Репараметризация сверточного слоя, позволяющая преобразовать множественные ветви в одну свертку во время вывода, улучшая скорость без ущерба для производительности.