通过知识蒸馏算法优化YOLOv5s目标检测
计算机视觉与模式识别
2024-10-17 v1 机器学习
摘要
本文探索了知识蒸馈技术在目标检测任务中的应用，尤其关注不同蒸馈温度对学生模型性能的影响。通过使用YOLOv5l作为教师网络，采用较小的YOLOv5s作为学生网络，我们发现随着蒸馈温度的增加，学生的检测精度逐渐提高，最终在特定温度下实现了优于原始YOLOv5s模型的mAP50和mAP50-95指标。实验结果表明，合适的知识蒸馈策略不仅可以提高模型精度，还能帮助提高模型在实际应用中的可靠性和稳�健性。本文还详细记录了模型训练过程中准确率曲线和损失函数下降曲线，表明模型在150个训练周期后收敛至稳定状态。这些发现为进一步优化目标检测算法提供了理论依据和技术参考。
引用
@article{arxiv.2410.12259,
title = {Optimizing YOLOv5s Object Detection through Knowledge Distillation algorithm},
author = {Guanming Huang and Aoran Shen and Yuxiang Hu and Junliang Du and Jiacheng Hu and Yingbin Liang},
journal= {arXiv preprint arXiv:2410.12259},
year = {2024}
}