v1.1

v1.1 几个总结：

• [1]. 调整tf.keras.layers.BatchNormalization的__call__方法中training=True
• [2]. 新增TFLite/onnx格式导出与验证，详见/data/h5_to_tflite.py, /data/h5_to_onnx.py
• [3]. 修改backbone网络里batch_size，在训练和测试时需指定，避免tflite导出时FlexOps问题
• [4]. YoloHead里对类别不再做softmax，直接sigmoid，支持多类别输出
• [5]. release里的yolov5s-best.h5为kaggle猫狗脸数据集的重新训练权重，训练:测试为8:2，val精度大概如下：

class	[email protected]	[email protected]:0.95	precision	recall
cat	0.962680	0.672483	0.721003	0.958333
dog	0.934285	0.546893	0.770701	0.923664
total	0.948482	0.609688	0.745852	0.940999

• [6]. release里的yolov5s-best.tflite为上述yolov5s-best.h5的tflite量化模型，建议用Netron软件打开查看输入输出
• [7]. release里的yolov5s-best.onnx为上述yolov5s-best.h5的onnx模型，建议用Netron软件打开查看输入输出
• [8]. android 模型测试效果如下：

就这样，继续加油！💪🏻💪🏻💪🏻

v1.0

v1.0 几个总结：

• [1]. 模型结构总的与 ultralytics/yolov5 v6.0 保持一致
• [2]. 其中Conv层替换swish为Relu
• [3]. 整体数据增强与 ultralytics/yolov5 保持一致
• [4]. readme中训练所需的数据集为kaggle公开猫狗脸检测数据集，已放到release列表中
• [5]. 为什么不训练coco数据集？因为没资源，跑一个coco要很久的，服务器一直都有任务在跑所以没空去跑 - . -
• [6]. release里的yolov5s-best.h5为上述kaggle猫狗脸数据集的训练权重，训练:测试为8:2，val精度大概如下：

class	[email protected]	[email protected]:0.95	precision	recall
cat	0.905156	0.584378	0.682848	0.886555
dog	0.940633	0.513005	0.724036	0.934866
total	0.922895	0.548692	0.703442	0.910710

就这样，继续加油！💪🏻💪🏻💪🏻