12 - YOLO算法三 (目标检测)

要点：

• 官方地址：YOLO v5GitHub
• 一个不错的参考：https://huaweicloud.csdn.net/63807a45dacf622b8df8893c.html

---

算法简介：

• 深度学习经典检测方法概述
  • 目标检测简介
  • 目标检测原理
  • 图像金字塔
  • 古典目标检测架构
  • ROI、IOU、FPS、NMS、mAP
  • IOU代码实现
  • NMS代码实现
  • 特征金字塔
  • SPP net
  • ROI池化
• YOLO-V1整体思想与网络架构
  • YOLO算法整体思路解读
  • 检测算法对应结果
  • 整体网络架构解读
  • 位置损失计算
  • 置信度误差与优缺点剖析
• YOLO-V2进化详解
  • 版本升级概述
  • 网络结构特点
  • 网络结构细节解读
  • 基于聚类来选择先验框尺寸
  • 偏移量计算方法
  • 坐标映射与还原
  • 感受野作用
  • 特征融合改进
• YOLO-V3网络模型介绍
  • 版本升级概述
  • 多scale方法改进与特征融合
  • 经典变换方法对比分析
  • 残差连接方法解读
  • 整体网络模型结构分析
  • 先验框设计优化
  • Softmax层优化
• 项目实战-基于YOLO-V3并进行源码解读
  • 数据与环境配置
  • 训练参数设置
  • 数据读取与处理
  • Debug模式介绍
  • 构建网络模型
  • 路由层与shortcut层说明
  • YOLO层定义剖析
  • 预测结果计算
  • 网络偏移计算
  • 模型损失函数概述
  • 标签样式设计
  • 坐标相对位置计算
  • 损失函数整合
  • 模型训练与总结
  • 目标检测效果展示
• 基于YOLO-V3的自定义目标检测
  • 标注工具Labelme工具介绍与安装
  • 数据标注
  • 完成标签制作
  • 生成模型所需配置文件
  • 数据格式转换
  • 数据输入数据预处理
  • 训练代码与参数校验
  • 训练模型并预测效果
• YOLO-V4网络模型介绍
  • 版本升级概述
  • 数据增强策略分析
  • DropBlock与标签平滑处理
  • 损失函数局限性
  • CIOU损失函数定义
  • NMS细节优化
  • SPP与CSP网络结构
  • SAM注意力机制模块
  • PAN模块解读
  • 激活函数与整体框架
• YOLO-V5网络模型介绍
  • 版本升级概述
  • 数据源Debug流程解读
  • 图像数据源配置
  • 加载标签数据
  • 数据增强方法：Mosaic
  • 数据合并
  • Getltem构建batch
  • 网络框架图可视化介绍
  • YOLO5配置文件解读
  • Focus模块流程讲解
  • 配置文件解析
  • 前向传播计算
  • BottleneckCSP层计算
  • Head层流程解析
  • SPP层计算解析
  • 上采样与拼接
  • 结果输出解析
  • 超参数解析
  • 命令行参数解析
  • 训练流程总结
  • 训练策略概述
  • 模型迭代过程介绍
• Resnet网络框架结合迁移学习
  • 迁移学习目标
  • 迁移学习策略
  • Resnet原理
  • Resnet网络介绍
  • Resnet处理操作
  • shortcut模块
  • 加载训练好的权重
  • 模型训练
  • 迁移学习结果对比
• 目标检测算法SSD
  • SSD概述
  • SSD骨干网络
  • default box生成与规则
  • 损失函数定义
  • 网络细节介绍
  • 与YOLO对比
• 目标检测算法RetinaNet
  • RetinaNet概述
  • 类不均衡问题
  • 平衡交叉熵
  • Focal Loss定义
  • 特征金字塔主干网络
  • Anchors
  • 分类自网络
  • 边框回归自网络
  • 模型训练
  • 模型优化过程
  • 模型对比与总结

1 YOLO  v1

1) 将一幅图像分成SxS个网格(grid cell)，如果某个object的中心 落在这个网格中，则这个网格就负责预测这个object。

2)每个网格要预测B个bounding box，每个bounding box 除了要预测位置之外，还要附带预测一个confidence值。每个网格还要预测C个类别的分数。

​

 网络结构：

​

 损失函数

​

2 YOLO  v2

YOLOv2中的各种尝试：

• pBatch Normalization
• pHigh Resolution Classifier
• pConvolutional With Anchor Boxes
• pDimension Clusters
• pDirect location prediction
• pFine-Grained Features
• pMulti-Scale Training

 ​​

​

 ​

​

3 YOLO  v3

​

目标边界框的预测

​

正负样本的匹配

​

 置信度损失

​

3.1 YOLOv3 SPP

SPP模块

​

实现了不同尺度的特征融合实现了不同尺度的特征融合，

注意：这里的SPP和SPPnet中的SPP结构不一样，Spatial Pyramid Pooling

CIoU Loss

​

解读参考：IoU、GIoU、DIoU、CIoU损失函数的那点事儿

​ 4 YOLOv4

​

5 YOLOv5

5.1 模型框架

​

 ​

 5.2 网络结构

​

5.2.1 普通CSP结构

​​

5.2.2 C3结构

​

5.2.3 SPP

​

 5.2.4 SPPF

​

5.3 训练策略

​

5.3.1 损失计算

​

​

5.4 平衡不同尺度的损失

​

​ 

 5.5 匹配正样本