目标检测1

yolo 学习

y为输入参数 Pc为置信度 bx，by为检测框中心点位置，bh，bw为检测框的长和宽 c1,c1,c3为类别

yolo先把原图片均分成一些格子，对每个格子逐一查看，如果该格子里包含检测框中心点，则保留该格子，并把中心点转换为该中心点相对于该格子的坐标

yolo的训练过程

原图片可以转化为一个1001003的三为张量记为x，我们与测的值为y，为一个338的张量，经过训练过程，我们可以得到参数以及best.py即权重，最好的参数

检测部分

原图片经过运算得出y，包含可能的位置，类别等信息

交并比

交并比(Intersection over Union, IoU)是目标检测和语义分割领域中一个非常重要的评价指标。它用于衡量预测的边界框与Ground Truth(真实边界框)之间的重叠程度。

具体计算方法如下:

IoU = 交集面积 / 并集面积

其中:

• 交集面积是预测边界框与Ground Truth边界框的重叠部分面积
• 并集面积是预测边界框与Ground Truth边界框的总面积

IoU的取值范围在0到1之间:

• 当IoU=1时,表示预测框完全覆盖了Ground Truth框
• 当IoU=0时,表示两个框完全没有重叠
• 通常情况下,IoU值越高,表示预测框越接近Ground Truth

IoU在目标检测任务中有几个重要应用:

1. 作为目标检测模型性能评估的重要指标

   • 常用的指标如平均精度(mAP)都依赖于IoU阈值的设置

2. 在Non-Maximum Suppression (NMS)算法中用于移除重复检测框

   • 通过IoU阈值来判断哪些检测框属于同一目标

3. 在训练目标检测模型时,作为损失函数的一部分

   • 鼓励模型预测出高IoU的边界框

总之,IoU是目标检测领域一个非常重要的概念和指标,它能够客观地评估模型的性能,并为模型优化提供依据。在实际应用中,合理设置IoU阈值对于提高目标检测的准确性非常关键。

非极大值抑制

非极大值抑制(Non-Maximum Suppression, NMS)是目标检测领域中常用的一种后处理算法,它的作用是去除重复检测到的同一目标。

原理如下:

1. 对于每个类别的检测结果,按照置信度(confidence score)从高到低排序。

2. 从置信度最高的检测框开始,计算它与其他检测框的交并比(IoU)。

3. 如果两个检测框的IoU大于设定的阈值,则保留置信度更高的检测框,并抑制置信度较低的重复检测框。

4. 依次对所有检测框进行这种比较和抑制操作。

这样做的目的是:

1. 避免同一目标被检测出多个重复的边界框。
2. 保留置信度较高的检测结果,丢弃置信度较低的重复检测。
3. 提高最终检测结果的准确性和稳定性。

NMS算法通常会设置两个参数:

• IoU阈值:用于判断两个检测框是否属于同一目标。较高的阈值会保留更多重复框。
• 置信度阈值:低于该阈值的检测框会直接被丢弃,不参与NMS。

在实际应用中,NMS是目标检测管线中不可或缺的一个重要步骤。它可以大幅改善检测结果,提高最终的精确度和召回率。合理设置NMS参数是优化目标检测模型性能的关键所在。