文章介绍了YOLO（YouOnlyLookOnce）系列算法在目标检测领域的应用，强调了其在检测速度上的提升。YOLOv7的性能尤为突出。目标检测涉及定位和分类问题，处理多物体、不同角度和尺寸的物体。文章提到了滑动窗口方法的局限性，以及YOLO通过一步法优化检测速度。此外，还讨论了YOLO的网络结构、损失函数和NMS算法在模型中的作用。
一、YOLO系列算法介绍
1.目标检测
目标检测的本质就是先定位，再分类。主要问题如下：
（1）一张图片中可能有多个物体
（2）物体摆放的角度和姿态不定
（3）物体的尺寸变化大
最终输出是一个向量，内容如下：
如果分类更多的话，可以扩张维度。
2.YOLO的发展史
本质上是检测速度的提升，在我的毕设中，涉及了YOLOv5和YOLOv7，其中YOLOv7的检测速度非常惊艳。
3.目标检测的基本原理
（1）滑动窗口
问题所在：滑动太慢，检测速度慢
（2）两步法与一步法
问题的解决：
（3）YOLO网络结构
YOLO检测原理：
以这个狗为例，有好多格子里面都可以检测到”狗“，但是我们选择的是狗的中心所在的那个格子。
其中30计算方法如下：每个cell有两个预测框，每个预测框五个属性，共能预测20个种类，所以一共输出维度为30，20个类别，由one-hot编码构成。
Pr（obj）非0即1，其中gt（说白了就是标签）如图，我们可以看出选的确实是物体中心。
损失函数如下：
NMS算法：
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
