小小酥kkk-CSDN博客

YOLO-World介绍：为了克服这一限制，作者提出了YOLO-World，这是一种新的方法，它通过视觉-语言建模和在大规模数据集上的预训练，增强了YOLO的开放词汇（open-vocabulary）检测能力。图表中圆圈的大小代表了模型的大小。尽管一些方法通过区域-文本匹配统一了检测数据集和图像-文本数据集，并通过大规模图像-文本对进行预训练，从而取得了有希望的性能和泛化能力，但这些方法通常使用重型检测器，如ATSS或DINO，这些检测器以Swin-L作为骨干网络，导致计算需求高和部署挑战。

2024-04-30 23:23:50 929

原创 yolo--v5相关内容介绍

Bottleneck 结构通常与残差连接一起使用，但在 YOLOv5 中，残差连接的使用有所变化，Backbone 中的 Bottleneck 默认使用残差连接，而在 Head 中的 Bottleneck 不使用残差连接。CSP 结构的核心思想是将网络的层级结构进行分割和重组，以提高特征的流通性和网络的训练效率。在 YOLOv5 的早期版本中，Focus 模块被用作网络的第一层，直接处理输入图像，但在后续版本中，它被移除，取而代之的是标准的卷积层。这使得网络能够提取更细粒度的特征，同时保持稳定的训练过程。

2024-04-14 18:44:12 2543

原创 fasterRCNN论文精读及问题整理

He等人[18]通过其他与Faster R-CNN正交的改进，获得了单个模型在COCO 2015测试-验证集上的55.7%/34.9%的结果，以及集成结果的59.0%/37.4%，赢得了COCO 2015目标检测竞赛的第一名。在重新缩放的图像上，无论是ZF（Zeiler and Fergus）模型还是VGG模型，在最后一个卷积层上的总步长为16像素，这意味着在典型的PASCAL图像（约500×375像素）上，步长约为10像素。图的左侧展示了RPN的示意图，它作为一个小型网络，作用在较大的卷积特征图上。

2024-04-14 18:43:13 891

原创 fast-RCNN论文精读及问题整理

位置损失用于优化预测的边界框位置。在Fast R-CNN的训练中，使用随机梯度下降（SGD）以分层的方式采样小批量数据，首先采样N个图像，然后从每个图像中采样R/N个RoI。与R-CNN相比，Fast R-CNN达到了66%的mAP，而R-CNN的mAP为62%。传统的目标检测方法，如R-CNN和SPPnet，在训练过程中需要将提取的特征写入磁盘，以便于后续的分类和回归任务。Fast R-CNN通过在训练过程中共享计算和内存，避免了这种磁盘I/O操作，从而减少了对存储的需求，并提高了训练效率。

2024-04-11 20:51:45 1104

原创 yolo--v4论文精读及问题整理

目标检测的挑战：摘要提到，目标检测领域存在大量声称能提高卷积神经网络（CNN）准确性的特性。然而，这些特性需要在大型数据集上进行实际测试，并且需要理论上的证明来支持测试结果。通用特性的假设：作者假设了一些通用特性，这些特性适用于大多数模型、任务和数据集。这些特性包括加权残差连接（WRC）、跨阶段部分连接（CSP）、跨小批量归一化（CmBN）、自对抗训练（SAT）和Mish激活函数等。新特性的使用：

2024-03-27 20:34:49 680

原创 yolo--v3相对于yolo--v2有哪些改进？

骨干网络的改进：锚点框的优化：多尺度预测：空间金字塔池化的改进：损失函数的调整：训练策略的改进：网络结构的优化：性能提升：

2024-03-27 14:49:36 419

原创 yolo--v3论文精读及核心问题整理

例如，在COCO数据集上，每个尺度上预测3个边界框，因此张量的形状为N × N × [3 × (4 + 1 + 80)]，其中4表示边界框偏移量，1表示目标性预测，80表示80个类别预测。YOLOv3是YOLO系列的第三个版本，它在保持前一个版本优点的基础上，通过细节上的优化实现了更好的性能。Darknet-53结合了3×3和1×1的卷积层，并引入了残差连接（shortcut connections），这些连接允许网络中的梯度直接流过一些层，从而缓解了深度网络训练中的梯度消失问题。

2024-03-27 14:43:49 769

原创 YOLO-v2相对于YOLO v1做了哪些改进？

这些改进使得YOLOv2在速度、准确性和召回率方面都超越了YOLOv1，使其成为了一个更加强大和灵活的实时对象检测系统。

2024-03-21 18:07:50 350

原创 YOLO--v2论文精读

YOLO–v2摘要：论文的摘要部分介绍了YOLO9000，这是一个最新的实时对象检测系统，能够检测超过9000个对象类别。以下是对摘要部分的详细解释：YOLO9000的介绍：YOLO检测方法的改进：多尺度训练方法：对象检测与分类的联合训练：验证方法：总结：摘要部分强调了YOLO9000的主要贡献和特点，即其实时检测能力、处理大量对象类别的能力，以及通过联合训练提高检测和分类性能的能力。这些特点使得YOLO9000在对象检测领域具有重要的应用潜力。1.introduction对象检测的重要性：现有检测方法

2024-03-21 18:06:49 834

原创 yolo---v1论文精读

为了使模型更关注于包含对象的网格单元，引入了两个参数λcoord和λnoobj来调整损失，其中λcoord用于增加边界框坐标预测的权重，λnoobj用于减少不包含对象的网格单元中置信度预测的权重。训练和测试参数的一致性：尽管Fast YOLO的网络结构更简单，但它在训练和测试过程中使用的参数与原始的YOLO模型完全相同。最终的预测是一个7×7×30的张量。Fast YOLO的设计理念：Fast YOLO是YOLO的一个快速版本，它的设计目标是在保持较高检测精度的同时，大幅度提高目标检测的速度。

2024-03-19 11:22:17 824

原创 overfeat论文精读及一些核心问题

负样本的处理：在传统的训练方法中，负样本（即背景样本）最初是随机选取的，然后在后续的训练迭代中，根据错误预测的结果，将最有问题的负样本加入到训练集中。在竞赛之后，作者通过更长时间的训练和使用上下文信息（即每个尺度也使用较低分辨率的尺度作为输入）进一步提高了性能，达到了24.3%的mAP，这是一个新的检测最佳状态。与其他方法的比较：作者比较了他们的方法和其他参赛团队的方法。论文中的这些描述展示了一种系统性的方法，通过在网络的多个层次上处理图像，并在最终决策中整合这些层次的信息，来增强特征图的分辨率。

2024-03-14 11:42:07 879

ITdaka的博客

原创如何在YoloV8中添加注意力机制（两种方式）

原创 Yolo-World在基于自己的数据集训练后zero-shot能力显著下降甚至消失的问题

原创 Yolo-World在自定义数据集上进行闭集词汇训练推理过程（二）——使用ultralytics库训练模型

原创 Yolo-World中的“推理阶段的优化”等问题记录

原创 Yolo-World网络模型结构及原理分析（三）——RepVL-PAN

原创 Yolo-World网络模型结构及原理分析（二）——文本编码器

原创 Yolo-World网络模型结构及原理分析（一）——YOLO检测器

原创 Yolo-World训练过程中使用wandb进行可视化

原创 Yolo-World在自定义数据集上进行闭集词汇训练过程（一）——使用源码训练模型

原创本地及云服务器上部署yoloworld的过程中遇到一些问题整理记录

原创 Yolo-Word论文精读

原创 yolo--v5相关内容介绍

原创 fasterRCNN论文精读及问题整理

原创 fast-RCNN论文精读及问题整理

原创 yolo--v4论文精读及问题整理

原创 yolo--v3相对于yolo--v2有哪些改进？

原创 yolo--v3论文精读及核心问题整理

原创 YOLO-v2相对于YOLO v1做了哪些改进？

原创 YOLO--v2论文精读

原创 yolo---v1论文精读

原创 overfeat论文精读及一些核心问题

原创 R-CNN论文精读内容整理

原创管理系统---Django框架创建与完整实现过程详释

原创 django反向迁移mysql数据库的数据表

空空如也

空空如也