深度学习之物体检测——YOLO(一)_介绍

最新推荐文章于 2024-07-28 10:15:01 发布
最新推荐文章于 2024-07-28 10:15:01 发布
阅读量1w 收藏 12
点赞数 1
分类专栏： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/VictoriaW/article/details/72237396
版权
YOLO是一种端到端的深度学习物体检测方法，它将图像划分为网格并预测每个网格的物体。网络结构基于GoogLeNet，使用1*1和3*3卷积层。训练时，先对前20层卷积层预训练，再在ImageNet数据集上调整。损失函数包括坐标、置信度和类别误差。测试时，通过阈值筛选和非极大值抑制得到最终检测结果。YOLO速度较快，但在处理单个网格中多个物体时表现不佳。
摘要由CSDN通过智能技术生成

##YOLO网络结构

YOLO把检测问题看成是端到端的回归问题。把输入图片划分成一个个的小格子，让物体中心点所在的格子负责检测到该物体。
YOLO采用的是GoogLeNet结构，但是用1*1和3*3的卷积层来替代GoogLeNet的inception层。网络结构如下：

这里写图片描述

每个卷积层后面都会跟着leaky ReLu非线性层。第一个全连接层后面也跟着leaky ReLU非线性层。对于一张图片，输出的维度是7*7*30（YOLO为每个格子为每个格子预测一个概率分布，并且预测2个box以及每个box的置信度）：

这里写图片描述

输出的box是(x_center, y_center, width, height)，x_center和y_center是相对于格子的位移并且用格子的长宽进行归一化，width和height用448进行归一化，所以这四个值的范围是[0,1]。

训练

卷积层预训练

取YOLO的前20个卷积层，然后加上一个平均池化层和一个全连接层，在ImageNet 1000-class数据上进行训练。作者讲他训练了大约一周的时间。

损失函数

YOLO会为每个格子预测多个box，但我们希望训练时只有一个box为每个物体负责。责任box是和物体的真实box的IOU最大的box。
训练误差包含下面三种误差：

  • 坐标误差：表示对物体负责的格子中的责任box和真实box标记之间的误差

  • 置信度误差：表示每个预测box的置信度和真实置信度之间的误差。
    目标置信度的表达式如下：

    C^=Pr(Object)∗IOUtruthpred={ 0，如果box不是责任boxIOUtruthpred，如果box是责任box(1)

置信度不仅给出预测的box是否包含物体的信息，而且还给出了预测的box的准确度。作者在文中提到大多数的格子中是不包含物体的，这些格子中的box置信度应该向0趋近，这个目标带来的梯度有可能会比包含物体的格子带来的梯度更大。所以在损失函数中增加box的坐标预测损失，减少不包含物体的box的置信度预测损失，即在公式(2)中引入的系数 λcoor

最低0.47元/天 解锁文章
Vic时代
关注
专栏目录
物体检测模型YOLO
程序员光剑
08-28 546
作者：禅与计算机程序设计艺术 1.简介 概要概括 随着计算机视觉、机器学习和深度学习等领域的不断发展，越来越多的应用在使用计算机视觉和机器学习。其中最具代表性的就是物体检测模型YOLO。 背景介绍 YOLO是一种目
yolo 深度学习_基于YOLO算法的装维质检目标检测（二）
weixin_42627902的博客
12-31 793
接上期《基于YOLO算法的装维质检目标检测(一)》用户到营业厅或自助申请安装宽带后，BOSS系统会下发一个业务工单分配该用户资源，具体到用户住址和分光器端口序号。AI图像识别通过使用卷积神经网络算法识别出端口情况，并与原系统分配资源进行比对，可以保证装维资源分配准确性，完成质检校验工作，优化资源配置和管理YOLO算法介绍YOLO(You Only Look Once)是目前比较流行的目标...
【YOLOv8】实战二：手把手教你使用YOLOv8实现实时目标检测、实例分割、姿态估计、目标追踪算法原理及模型部署（Python实现带界面）
最新发布
m0_74194018的博客
07-28 4060
Ultralytics YOLOv8是一种前沿的、最先进的（SOTA）模型，它在前代YOLO版本的成功基础上进行了进一步的创新，引入了全新的特性和改进，以进一步提升性能和灵活性。作为一个高速、精准且易于操作的设计，YOLOv8在广泛的领域中，包括目标检测与跟踪、实例分割、图像分类以及姿势估计等任务中，都表现出色。实例分割在物体检测的基础上迈出了更进一步的步伐，它不仅可以识别图像中的单个物体，还能够精确地将这些物体从图像的其他部分中分割出来。
物体检测之YOLO系列
dujuancao11的博客
08-12 3691
业界对于目标检测的热度只增不减，但目前的框架也难于逾越RCNN系列、SSD、YOLO系列这三座大山，很多新的方法也是在此基础上做一些改进，所以有必要做一些整理，方便自己后续查看，这里先对YOLO系列做一些整理。没看过文章的可以回头细细品味下yolo-v1(发表于2016.5)、yolo-v2(发表于2016.12)、yolo-v3(发表于2018.4) 这是继RCNN系列（two-stage）后针对目标检测速度问题提出的另一种框架（one-stage），所以其在速度上具有一定优势。 YOLO-v1
YOLO详解
天然然的博客
03-02 578
yolo系列整理 版本 作者主页 程序 论文 yoloV1 点击打开 点击打开 点击打开 yoloV2 点击打开 点击打开 点击打开 yoloV3 点击打开 点击打开 点击打开 改进 V2 VS V1: 增加BN层： 解决问题：每层的输入分布一直在改变，训练难度增加； 采取措施：在...
Yolo-v2单物体识别（以person举例）
05-28
YOLO是较新的深度学习分类算法。本次上传的代码是我根据作者的yolo-v2代码该的用来识别单一物体的代码。想试试的可以自己下载看看。
YOLO object detection物体的跟踪识别
xubuhui的博客
03-28 4286
yolo（You Only Look Once）是一个高速的物体识别算法，在这里我不详细赘述论文的内容，记录一下我在环境中进行物体识别的整个过程。 YOLOv1的原文：https://arxiv.org/pdf/1506.02640.pdf YOLOv2原文：https://arxiv.org/pdf/1612.08242.pdf 一.准备工作： python 3.5 or 3.6 or 3.7 ...
深度学习之物体检测——YOLO(三)_PyTorch实现
CodeTutor
05-17 8567
过程首先构建26层网络作者采用GoogLeNet作为网络结构，但是并不使用inception模块，而是采用1x1和3x3大小的滤波器进行替代。具体的网络结构请参考博客：深度学习之物体检测——YOLO(一)_介绍。计算损失YOLO模型的损失函数比较复杂，包含三种损失：box损失、置信度损失、类别损失。具体的表达式也请查看上面给出的博客链接。 下面给出计算一幅图片的检测损失的计算步骤： 根据Groun
深度学习实验——yolo目标检测项目
qq_64918276的博客
04-28 617
同时，还也深入研究了模型的实时性能，确保在保持高准确性的同时，实现快速的目标检测。特征表示由一系列滤波器和不同大小的特征图组成，其中滤波器与对象的大小相匹配，特征图的大小则与目标的尺度相关联。YOLO算法的发展经历了多个版本包括YOLOv1、YOLOv2、 YOLOv3、 YOLOv4等 ，每个版本都在网络结构、损失函数、训练策略等方面进行了优化和改进，不断提高了目标检测的性能。1.理论与实践结合：通过本次实验，我们深入理解了YOLO算法的原理和实现过程，将理论知识与实际应用相结合，提高了我们的实践能力。
PyTorch深度学习实战（22）——从零开始实现YOLO目标检测
盼小辉丶的博客
10-19 3249
YOLO (You Only Look Once) 是一种实时目标检测算法，它以其高效性和准确性而闻名。相比于传统的目标检测方法，YOLO 的主要特点是在单个前向传递中同时完成目标检测和分类，YOLO 通过全局感受野捕捉了整个图像中的上下文信息，对小尺寸物体的检测效果较好。在本节中，将介绍 YOLO 的工作原理，然后在自定义数据集上训练 YOLO 目标检测模型。
视频物体识别yolo
11-13
视频物体识别yolo
YOLO介绍（深度网络物体检测）
11-13
You Only Look Once，2016。将物体检测用回归的方法实现，与SSD共同走在世界的前列
Keras深度学习实战（15）——从零开始实现YOLO目标检测
盼小辉丶的博客
07-20 6786
YOLO 是基于锚框的经典目标检测算法，能够实现快速检测的同时具有较高的准确率，其将目标检测任务看作目标区域预测和类别预测的回归问题，实现端到端的目标检测。本文首先介绍了 YOLO 模型的核心思想与目标检测流程，然后使用 Keras 从零开始实现了一个基于 YOLO 的目标检测模型。......
YOLOv3物体检测
zqshust的博客
05-30 1798
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录系列文章目录前言YOLO简介YOLOv3 WorkflowYOLO的算法流程YOLO3算法处理流程及其代码 前言 截止目前我们已经实现2D图像特征跟踪，3D激光点云测距和激光点云投影至图像上。为稳定的获取TTC估计，我们还需要聚类投影的同一车辆上的激光点云，去除非关联点云（如地面反射点云）
YOLOv5手势物体识别(附代码)
z240626191s的博客
05-04 2249
之前是做的yolov3手势物体识别，最近几天我将该项目进行了重新的整理和升级，实现了yolov5手势物体识别，同时为了方便更多的人直接拿来应用，我生成了支持windows系统的应用小程序，即便你电脑上没有安装pytorch,没有安装cuda、python，都可以使用~！
启动YOLO进行图片物体识别
sunriseYJP的博客
09-15 1653
chatgpt解释：预训练模型是在大规模数据集上训练好的深度学习模型，然后将其权重和参数保存下来以供后续任务使用。这些模型通常是通过在大量数据上进行训练来学习表示数据的特征。一旦训练完成，这些模型可以被用于多种机器学习任务，包括目标检测、图像分类、文本生成等。迁移学习：预训练模型可以作为迁移学习的起点，用于解决具体任务。通过使用在大规模数据集上训练的模型，可以提供更好的初始权重和特征表示，从而在小规模任务上提高性能。节省计算资源：训练深度神经网络通常需要大量的计算资源和时间。
【YOLO】物体识别算法的核心思想
Xav Pun的博客
08-08 6233
YOLO是目前比较流行的物体检测算法，有着体积小，检测准确度高的强大优点。这里对YOLO的核心思想知识点，使用可视化的方法做一总结。
【YOLO】深度学习-物体检测-YOLO系列（网易云课程笔记）
qq_44703886的博客
03-01 2070
YOLO系列概述
深度学习目标检测框架解析：从R-CNN到YOLO
本文主要介绍了目标检测领域的四个关键算法——R-CNN、Fast R-CNN、Faster R-CNN和YOLO，它们都是基于深度学习技术。这些算法不仅需要识别图像中的物体，还需要精确地定位物体的位置，通常通过边界框（Bounding Box...
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值