We chose three architectures: YOLOv

We chose three architectures: YOLOv5s, YOLOv5m, and YOLOv5l. Backbone adoptsthe Cross Stage Partial Network (CSPNet) [39]. Before entering the backbone network, theYOLOv5 algorithm adds the Focus module and performs downsampling by slicing thepicture. The neck is in the form of a Feature Pyramid Network (FPN) plus a Path AggregationNetwork (PAN) and combines three different scales of feature information [40,41].Then, it uses the Non-Maximum Suppression (NMS) method to remove redundant predictionbounding boxes (Figure

ผลลัพธ์ (ไทย) 1:

เราเลือกสถาปัตยกรรมสามแบบ: YOLOv5s, YOLOv5m และ YOLOv5l Backbone ใช้Cross Stage Partial Network (CSPNet) [39] ก่อนที่จะเข้าสู่เครือข่ายแกนหลัก อัลกอริธึม YOLOv5 จะเพิ่มโมดูลโฟกัสและดำเนินการสุ่มตัวอย่างโดยการแบ่งส่วนรูปภาพ คออยู่ในรูปแบบของ Feature Pyramid Network (FPN) บวกกับ Path Aggregation Network (PAN) และรวมข้อมูลคุณลักษณะที่แตกต่างกันสามระดับ [40,41] จากนั้นจะใช้วิธี Non-Maximum Suppression (NMS) เพื่อลบกรอบขอบเขตการทำนายที่ซ้ำซ้อน (รูป

ผลลัพธ์ (ไทย) 2:

เราเลือกสถาปัตยกรรมสามแบบ: YOLOv5s, YOLOv5m และ YOLOv5l โครงข่ายหลัก adopts
เครือข่ายบางส่วนข้ามขั้นตอน (CSPNet) [39] ก่อนจะเข้าสู่เครือข่ายกระดูกสันหลัง
อัลกอริทึมของ YOLOv5 ได้เพิ่มโมดูลโฟกัสและผ่านการเชื่อมต่อไปยัง
รูปถ่าย รูปแบบของคอขวดคือลักษณะเครือข่ายพีระมิด (FPN) บวกการรวมเส้นทาง
เครือข่าย (PAN) และรวมข้อมูลลักษณะสามขนาดที่แตกต่างกัน [40, 41]
จากนั้นจะใช้วิธีการปราบปรามแบบไม่สูงสุด (NMS) เพื่อกำจัดการคาดการณ์ความซ้ำซ้อน
กรอบขอบเขต ( รูป

ผลลัพธ์ (ไทย) 3:

เราเลือกสถาปัตยกรรมสามแบบ: YOLOv5s,YOLOv5m,YOLOv5l ใช้กระดูกสันหลัง
เครือข่ายท้องถิ่นข้ามระดับ( CSPNet ) [ 39 ] ก่อนที่จะเข้าสู่เครือข่ายหลัก
อัลกอริทึมYOLOv 5เพิ่มโมดูลโฟกัสและผ่านคู่
รูปภาพ. คอขวดในรูปแบบของเครือข่ายพีระมิดคุณลักษณะ( FPN )บวกกับการรวมเส้นทาง
เครือข่าย( PAN )รวมข้อมูลคุณลักษณะสามระดับที่แตกต่างกัน[ 40,41 ]
จากนั้นใช้วิธีการปราบปรามที่ไม่ใช่สูงสุด( NMS )เพื่อลบการคาดการณ์ที่ซ้ําซ้อน
ช ่ องขอบ ( รูป