Bundan tashqari O‘zbekiston Respublikasi Prezidenti Islom Karimovning

Orqa miya. YOLOv5s ning magistral xususiyat tarmog'i CSP-Darknet53 dan iborat. YOLOv5s magistral tarmog'ida u asosan C3 modullari va CBS modullari to'plamidir. C3 moduli asosan o'rganish xususiyatlari uchun asosiy tuzilma bo'lgan BottleneckCSP ning to'rtta konvolyutsion qatlamidan birini olib tashlashni nazarda
tutadi. CBS moduli oddiy konvolyutsion qatlamlar, BatchNorm2d qatlamlari va SiLU qatlamlarining ketma-ket ulanishiga ishora qiladi, bu esa kirish xususiyati xaritasida konvolyutsiya, partiyani normallashtirish va faollashtirish funksiyalarini bajarish uchun xizmat qiladi. Muayyan struktura 2.4-rasmda ko'rsatilgan .
Bo'yin - YOLOv5s ning boʻyni SPPF moduli va Cross Stage Partal (CSP) + Path Aggregation Network (PAN) modulidan iborat. Spatial Pyramid Pooling-Fast (SPPF) modulining asosiy g‘oyasi xususiyatlarni har tomonlama birlashtirish uchun uchta turli o‘lchamdagi birlashtiruvchi qatlamlardan foydalanishdan iborat bo‘lib, bu xususiyat xaritasining idrok maydonini kengaytiradi va xususiyat qatlamlarining ekspressivligini oshiradi. 

2.5-rasm. CSP va PAN ning tuzilishi.
2.4-rasm SPPF modulining tuzilishini ko'rsatadi. CSP + PAN moduli tekstura, pastki xususiyatlarning chekka konturi va yuqori funksiyalarning yuqori semantik ma'lumotlari kabi batafsil ma'lumotlarni birlashtirish uchun yuqoridan pastga CSP tuzilmasidan foydalanadi. Shu bilan birga, pastdan yuqoriga ko'tarilgan PAN strukturasi CSPni to'ldirish uchun ishlatiladi va pastki qatlamning kuchli lokalizatsiya ma'lumotlarini uzatish uchun pastki xususiyatlar pastga tushiriladi. Ikkalasining kombinatsiyasi modelning xususiyatlarni birlashtirish qobiliyatini oshiradi. 2.5-rasmda CSP + PAN tuzilishi ko'rsatilgan.
YOLOv5s chiqishidagi yo'qotishlarni hisoblash uchta asosiy komponentdan iborat: sinflar, ob'ektivlik va joylashuvni yo'qotish. Har ikkala sinf va ob'ektni yo'qotish ikkilik o'zaro entropiya yo'qolishidan foydalanadi; Farq shundaki, sinflar yo'qolishi ijobiy namunalarning yo'qolishini hisoblaydi, ob'ektivlik yo'qolishi esa barcha namunalar uchun hisoblanadi. Joylashuvni yo'qotish faqat ijobiy namunalarning yo'qolishini hisoblab chiqadigan Complete Intersection over Union (CIoU) yo'qolishidan foydalanadi.
Imo-ishora tasvirlari ob'ektni aniqlash uchun ishlatiladigan tasvirlar bilan mutlaqo bir xil emas; ma'lumotlar to'plamidagi imo-ishora tasviri odatda nisbatan kam o'zgaruvchanlikka ega bo'lgan yagona o'rta va katta maqsadlarni o'z ichiga oladi. An'anaviy nishonni aniqlash usullarida qo'llaniladigan eng yaqin qo'shni yoki ikki chiziqli yondashuv yordamida yuqori namuna olish, qabul qiluvchi maydon juda kichik va imo-ishoralar konturlari kabi batafsil ma'lumotlarni olish qobiliyati etarli emas. Yuqori namuna olish usulini kontentdan xabardor funksiyalarni qayta yig‘ishga (CARAFE) o‘zgartirish, muhim tarkibni idrok etishni yaxshilash uchun yuqori namuna olish yadrosini xususiyat xaritasining semantik ma’lumotlari bilan bog‘lash bilan birga, xususiyatlarni ajratib olishning retseptiv maydonini kengaytiradi. kamroq operatsiyalari tufayli, shuningdek, modelni engil saqlashga qodir.
CARAFE usuli ikkita modulga bo'lingan: namuna olish yadrosini bashorat qilish va kontentdan xabardor xususiyatni qayta tashkil etish. Namuna olish yadrosini bashorat qilish moduli asosan qayta tashkil etish yadrosini yaratish uchun ishlatiladi, agar kirish xususiyati xaritasi o'lchami bo'lsa. H× V× C×IN va tanlamaning ko'pligi p=2. Birinchidan, kirish xususiyati kanallarini siqish uchun 1*1 konvolyutsion qatlam ishlatiladi C uchun Cm parametrlar sonini va hisoblash xarajatlarini kamaytirish uchun. Keyin rekombinatsiya yadrolarini yaratish uchun kontentni kodlash amalga oshiriladi. Bu konvolyutsion o'lchamdagi qatlam yordamida amalga oshiriladi.

2.6-rasm. CARAFE ning tuzilishi.
Moslashuvchan fazoviy xususiyatni birlashtirish usuli bilan tanishtirishda YOLOv5s bo'yni turli o'lchovlarning xususiyatlarini birlashtirish uchun CSP + PAN tuzilmasidan foydalanadi; bu termoyadroviy yondashuv bir bosqichli maqsadni aniqlash vazifasining bir nechta shkalalarida izchil ishlov berishga erisha olmaydi. Misol uchun, yuqori darajadagi xususiyatlar faqat kattaroq maqsadlar bilan bog'liq, pastki darajadagi xususiyatlar esa kichikroq narsalar bilan bog'liq. Turli xususiyat qatlamlaridagi bu o'zgaruvchanlik mashg'ulot paytida gradientni hisoblashga ta'sir qiladi va shu bilan modelni aniqlashning aniqligini pasaytiradi.
YOLOv5s funksiyalarni birlashtirishni amalga oshirayotganda turli masshtablarda nomuvofiqlik muammosini hal qilish uchun moslashuvchan fazoviy xususiyatlarni birlashtirish usulini taqdim etadi. 4-rasm adaptiv xususiyat termoyadroviy tuzilishini ko'rsatadi. Bo'yin tomonidan uch darajali xususiyatning chiqishi turli o'lchamlari va kanal raqamlariga ega bo'lganligi sababli, bunday kanal farqlari to'g'ridan-to'g'ri xususiyatlarni birlashtirish uchun ishlatilmaydi. Shuning uchun, har bir xususiyat qatlamining namuna olish sxemasini mos ravishda o'zgartirish kerak bo'ladi, bu xususiyat sintezining keyingi bosqichi uchun har bir masshtab uchun o'lchamlari va kanallar sonini bir xil qilish kerak. Xususiyat qatlamlarini bir xilda-l darajasiga siqish uchun yuqori namuna olish qatlami uchun xususiyat kanallarini siqish uchun 1*1 konvolyutsiya qatlamidan foydalaning va keyin ruxsatlarni oshirish uchun interpolatsiyani qo'llang. Yarim pastga namuna olish kanallari uchun siqish kanallarining o'lchamlari va sonini to'ldirish uchun qadam 2 bo'lgan 3 * 3 konvolyutsion qatlamlardan foydalaning. Nihoyat, chorak pastga namuna olish kanallari uchun qadam o'lchami 2 bo'lgan maksimal birlashtiruvchi qatlam plyus qadam o'lchami 2 bo'lgan 3 * 3 normal konvolyutsiya qatlami piksellar sonini to'ldirishni yakunlash va shunga mos ravishda kanallar sonini o'zgartirish uchun ishlatiladi. Keyinchalik, doimiy masshtablashdan keyin har bir shkalaning xususiyatlari tortiladi va yig'iladi, bu quyidagicha hisoblanadi.

2.7-rasm. ASFFning tuzilishi.