- 博客(6)
- 收藏
- 关注
RSS订阅原创 YOLO系列评价指标
在机器学习中，要评估一个模型在任务中的优越性，需要利用评价指标来对其进行评估，而评价指标往往有多个，从不同层面来评价模型的优劣，从而使模型的构建者更加全面地了解模型的性能，同时依据任务的偏向和要求来对模型进行取舍。在原始论文中，作者提到了两种情况下的置信度，一种是是否有物体的置信度，另一种是在有物体的情况下，检测的不同类别物体的置信度，这两种是递进的关系，而我们模型的输出即为类别置信度。在实际应用中，往往更多的任务为多分类任务，为了加深对评价指标的概念的理解，利用一个多分类的案例来进行评价指标的计算。
2025-10-21 16:01:09
1780
原创 Yolov3
1、多尺度检测：YOLOv3在三个不同的尺度上进行检测，提高了模型对于不同大小物体的识别能力。2、在类别预测方面，YOLOv3采用了逻辑回归而非softmax，从而可以更好地处理多标签场景。3、更多的Anchor Boxes：YOLOv3使用了多达9个锚框（分布在三个不同的尺度上），相比YOLOv2更能准确地适应不同形状和大小的目标。4、更大的模型和更深的架构：YOLOv3使用了Darknet-53，一个比YOLOv2的Darknet-19更大、更深的网络架构，以获得更高的准确性。
2025-10-19 17:38:21
1899
原创 YOLOv2
关于yolov1中定位不准确和检测召回率较低的问题，在yolov2中有了较好的解决，而且Yolov2中提出的如下几点在后续版本的yolo中有了较好的沿用1、anchor box预选框2、Darknet网络架构1、小目标检测效果较差2、整体检测效果还有待提高本篇为b站《炮哥带你学》yolo系列课程的笔记，有需要可以看老师的课程链接:Yolov2。
2025-10-19 14:11:10
800
原创 YOLOv1
优势1、YOLO非常快，因为将物体检测定义为回归问题所以检测也不需要复杂的组件2、YOLO基于全图进行检测，所以不像滑动窗口和预选区技术，YOLO中隐含着隐式编码的上下文信息缺点1、YOLO准确率不够高2、YOLO在定位物体，尤其是小物体上表现差3、可以检测到的目标物体较少本片为b站《炮哥带你学》yolo系列课程的笔记，有需要可以看老师的课程链接:YOLOv1。
2025-10-16 17:53:11
782
原创 VGG网络
本文介绍了VGG卷积神经网络的学习笔记，重点分析了VGG-16的网络结构。VGG由牛津大学与谷歌DeepMind共同研发，采用模块化设计，包含13层卷积和3层全连接层，使用3×3小卷积核堆叠提高特征提取能力。笔记详细拆解了各层参数计算过程，包括5个卷积块和3个全连接层的结构设计，分析了块内尺寸不变、块间降维的特点。作者使用Fashion-MNIST数据集进行实验验证，并附上PyTorch实现代码，帮助理解VGG的层级结构和参数计算原理。
2025-09-16 12:44:04
1589
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人