二十分钟入门YOLO算法

已于 2023-12-25 10:31:28 修改
阅读量4.4k 收藏 76
点赞数 17
文章标签： YOLO 深度学习 人工智能
于 2023-12-11 11:45:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/digitalImage030/article/details/134920769
版权

目录

一、模型的用途和效果

什么是YOLO算法？

YOLO算法有什么用？

YOLO算法的输出效果具体长什么样？

二、模型的原理

一句话总结目标检测系列算法

传统目标检测算法

二阶段检测算法

YOLO系列算法

YOLOv1                

YOLOv2

YOLOv3

YOLOv4

三、模型的用法介绍

只想简单的试试效果，不想配环境，我应该怎么做？

想尝试自己运行，但不是想配置环境，我应该怎么做？

想简单的配置环境，不需要部署，我该怎么做？

训练精确度、准确度说明

训练踩坑 - 部分注意事项   

一些魔改方向

一、模型的用途和效果

什么是YOLO算法？

学术一点来说，YOLO是一种用于目标检测的深度学习算法（对目标检测算法的解释指路第二部分）。

当然也可以简单粗暴地解释，YOLO算法要完成的工作，就是当你输入一张（当然很多张也可以）图片时，它需要告诉你图片里有什么，那些物体在哪个位置，它有多大概率确定自己是正确的；在更广义的领域里，它还可以处理视频、实时摄像取景框，毕竟如果按其中的每一帧来看，就是一次性处理很多张图片嘛。

YOLO算法有什么用？

它的使用场合其实很广泛，说不定你每天都在使用但没发现，看看ChatGPT怎么说：

  1. 警情交通：由于其高速实时性，YOLO经常用于视频分析，包括监控系统、交通监测和行为分析等领域。它可以在视频流中快速识别并跟踪多个对象。
  2. 自动驾驶：同样，yolo可以用于实时检测道路上的车辆、行人、交通标志等物体，为车辆的决策和导航提供重要信息。
  3. 工业检测：检测和识别生产线上的缺陷、危险物体或异常行为。
  4. 医学图像分析：分析医学图像，如X射线、CT扫描和核磁共振图像，以便快速定位和识别病灶。
  5. 无人机和航拍：识别地面上的对象，包括建筑物、车辆和人群等。
  6. 体育赛事分析：协助教练和运动员在比赛中快速准确地识别对手的优势和劣势

YOLO算法的输出效果具体长什么样？

首先看看最基础的图片处理 - 使用YOLOv8 / ultralytics 自带的初始模型得到的结果：

​

 ​

​

 ​

     看得出来，这个初始的模型能识别的物体并不多，而且甚至会“指鱼为鸟”，所以如果需要更适配自己需求的、精度更高的模型，还是需要自己找训练集、测试集，自己标注，最后训练得到完美对象（指路第三部分）。

        笔者检测一张图片平均跑下来需要30-40毫秒，不知道大家的电脑跑起来是更快还算更慢呢？

再看看视频：        

ultralytics自带模型-检测视频示例

        检测效果好像有点糟糕，还挺搞笑的……

        后来查看了一下ultralytics自带模型能检测的物体，发现它好像用的是COCO（Common Objects in Context）数据集进行的训练，好像确实没有水豚……

二、模型的原理

硬干货的历史知识来了——

一句话总结目标检测系列算法

目标检测的发展脉络可以划分为两个周期：传统目标检测算法时期(1998 - 2014)和基于深度学习的目标检测算法时期(2014 - 至今)；而基于深度学习的目标检测算法又有两条技术路线：二阶段检测算法和一阶段检测算法。

目标检测代表算法

传统目标检测算法
  • 特点：
  1. 传统目标检测算法主要基于手工提取特征，包括边缘、纹理、颜色等图像属性。
  2. 传统目标检测算法通过滑动窗口来寻找目标对象，具体说就是在图像上滑动不同大小和比例的窗口来寻找对象，这会导致计算量很大。
滑动窗口形象化展示

注：相比之下，卷积神经网络（CNN）能够通过训练自动学习图像中的特征，无需手动设计

  • 缺点：
  1. 识别效果不够好，准确率不高
  2. 计算量较大，运算速度慢
  3. 可能产生多个正确识别的结果

二阶段检测算法
  • 算法流程 - 以R-CNN为例：
  1. 对输入图片提取候选区（region proposal），每张大约2k~3k个这种与类别无关的框。所谓的候选区就是通过selective search算法获得可能存在对象的区域，例如下左图
  2. 把每个候选区放入CNN网络来提取特征
  3. 把从每个候选区提取的特征送入每一类的二分类器中进行类别判断，如下右图，其中左边的每一行是从一个候选框中提取的特征，右边每一列是一个分类器
  4. 位置精修，采用回归器精细修正候选框位置
         ​  
  • 二阶段检测算法的问题与改进过程
    • R-CNN的性能瓶颈：
      ​

      1. 针对第一个问题，后面的Fast-R-CNN和Faster-R-CNN都解决了，它们把提取特征之后的分类步骤和精修候选框的步骤都添加到了深度网络中进行同步训练。

      2. Fast-R-CNN解决了

最低0.47元/天 解锁文章
digitalImage030
关注
YOLO目标检测算法入门基础教程.md
08-04
YOLO，即You Only Look Once，是一种实时目标检测系统。它能够快速准确地识别图像中的多个对象。与传统的目标检测方法相比，YOLO将目标检测任务视为单一的回归问题，从而实现快速的检测速度。
YOLO 入门合集 （YOLO学习笔记）
weixin_53159002的博客
06-28 1233
找到小标题Modes点击进入，在页面中下拉找到相关的介绍，这段英文以及左侧的列表就代表了YOLO的几大功能模块。训练模式：在自定义或预加载的数据集上微调您的模型。（训练模型）Val模式：用于验证模型性能的训练后检查点。（验证模型）预测模式：释放模型对真实世界数据的预测能力。（运用模型进行预测）导出模式：以各种格式准备好模型部署。（模型文件格式转换）跟踪模式：将对象检测模型扩展到实时跟踪应用程序中。（实时预测，多用于视频逐帧分析）基准测试模式：在不同的部署环境中分析模型的速度和准确性。（字面意思）
深度学习-物体检测YOLO(You only look once)
最新发布
m0_73426548的博客
09-11 1735
置信度指的是边界框含有目标的可能性大小（object）和边界框的准确度（IOUtruthpred），准确度是用预测框与实际框的loU(交并比)计算的。每个边界框的大小和位置使用4个值来表示：(x,y,w,h)，x，y是边界框的中心坐标，而w和h是边界框的宽和高。最后，预测网络进行分类和回归等任务。在两阶段目标检测方法中，分类和回归通常采用全连接的方式，而在单阶段的方法中，分类和回归等通常采用全卷积的方式。从所以的检测框中找到置信度最大的那个框，然后和其他的框计算IOU，如果计算的值小于某一个阈值，就剔除。
yolo算法总结
weixin_45083710的博客
08-21 912
真实框是图像的人工标注bounding box 预测框是模型预测的 锚框是自己设想出来的候选区域，有了这个候选区域就不需要使用滑动窗口对整个图像每个部分挨个检测了，可以在FP的点基础上只检测某些候选区域，对别的区域可以忽视，加快检测速度。yolov3对训练数据使用了k-means聚类的算法来获得anchor boxes大小 在这个候选区域上使用模型进行预测得到预测框，并训练向真实框bounding box靠拢。 具体计算过程： 第一步：首先我们要知道我们需要聚类的是bounding box，所以我们无需考虑
YOLO（You Only Look Once）算法详解
热门推荐
AI之路
05-21 15万+
这篇博客主要介绍下YOLO v1算法（CVPR2016的文章）。YOLO是目前比较流行的object detection算法，速度快且结构简单，其他的object detection算法如faster RCNN，SSD相信大家也不陌生，以后有机会再介绍。另外提一下，这里算法部分介绍的是YOLO的第一个版本，而现在YOLO的官网上已经有YOLO v2的实现了，这个后续再介绍。 论文名称：You o...
YOLO系列算法
最白の白菜的博客
03-03 2万+
目录YOLO系列算法yolo算法Yolo算法思想Yolo的网络结构网络输入网络输出7X7网格30维向量Yolo模型的训练训练样本的构建损失函数模型训练模型预测yolo总结yoloV2预测更准确（better）batch normalization使用高分辨率图像微调分类模型采用Anchor Boxes聚类提取anchor尺度边框位置的预测细粒度特征融合多尺度训练速度更快（Faster）识别对象更多yoloV3算法简介多尺度检测网络模型结构先验框logistic回归yoloV3模型的输入与输出yoloV4总结
YOLO 超详细入门（含开源代码）——网络结构、细节、目标损失函数、优点
IanYue的博客
08-17 4万+
本文适用于目标检测之YOLO零基础入门。
YOLO算法详解
qq_45875106的博客
02-22 3万+
YOLO算法详解前言YOLOv1YOLOv2YOLOv3 前言 YOLO官网：https://github.com/pjreddie/darknet YOLO及You Only Look Once，是一种目标检测算法，目标检测任务的目标是找到图像中的所有感兴趣区域，并确定这些区域的位置和类别概率。目标检测领域的深度学习方法主要分为两大类（如图1）：两阶段式（Two-stage）目标检测算法和单阶段式（One-stage）目标检测算法。两阶段式是先由算法生成一系列候选边界框作为样本，然后再通过卷积神经网络分类
yolo快速上手
anything_you的博客
04-11 1825
YOLO 是一个关于计算机视觉的深度学习模型本文帮助你快速上手他并解决可能遇到的error
YOLO算法
无问西东的博客
12-28 2694
目标检测：yolov5、yolov3、CenterNet、SSD、Faster RCNN、EfficientDet； 图像分类：mobileNetv2、mobileNetv3、ghostNet、ResNet系列、ShuffleNetV2、EfficientNet； 1_什么是YOLO？ 首先，让我们简要解释一下YOLO算法的基本逻辑。你只看一次(YOLO)是一个实时的物体检测系统。YOLO算法与其他目标检测算法的主要区别在于，由于其速度快，能够实时检测目标，并能做出准确的预测。 2_YOLO用于检测给定图像
15个YOLO算法的python代码示例集合.docx
06-04
YOLO（You Only Look Once）是一种广泛应用于计算机视觉领域的实时目标检测算法，它以...这些代码示例是入门YOLO的好材料，通过理解和修改这些示例，开发者可以深入理解目标检测的工作流程，并将其应用到自己的项目中。
YOLO算法实现
11-21
yolo代码实现，参考吴恩达深度学习课程进行学习，所有需要的代码
适用于YOLO算法的玩手机行为识别检测数据集(含voc和yolo格式两种标签).zip
03-11
适用于YOLO算法的玩手机行为识别检测数据集(含voc和yolo格式两种标签).zip 【数据集说明】 1、labelimg标注工具亲手标注、数据集是自用收集的，是本人开发分心驾驶行为分析识别系统时使用的。 2、数据集标注精准无误...
【1】从零开始学习目标检测：YOLO算法详解
YOLOv8项目贡献者
03-25 2万+
目标检测目标检测的目标是在图像或视频中检测出目标的位置和边界框，
YOLOv5基础知识入门（1）— YOLO算法的发展历程
突然好想你
03-10 3694
YOLO到目前为止总共发布了八个版本（截止笔者发稿），其中YOLOv1奠定了整个YOLO系列的基础，后面的YOLO算法是对其的不断改进创新。接下来，笔者将简单介绍一下YOLOv1-v5的发展历程，并重点介绍YOLOv5。
【目标检测】入门教程之yolo v1理论与实战
胡侃有料的博客
05-10 2593
目标检测入门实战教程。
YOLO如何入门？
wangbo_angel的博客
04-24 514
3.*阅读 YOLO 相关论文：从 YOLOv1 开始，逐步阅读 YOLO 系列的论文，了解每一代 YOLO 算法的改进和特点。6. 实践 YOLO 代码：通过实践来加深理解。11. 不断深入学习：随着对 YOLO 算法理解的加深，可以探索更高级的特性，如多尺度检测、模型优化和实时应用部署。13. 持续关注最新进展：YOLO 算法仍在不断发展，通过阅读最新的论文和技术博客，了解最新的进展和趋势。12. 项目实战：通过实际项目来应用 YOLO，解决实际问题，这样可以加深对算法的理解和应用能力。
yolo算法应用领域
03-12
YOLO（You Only Look Once）是一种目标检测算法，它的主要特点是实时性和准确性。YOLO算法在计算机视觉领域有广泛的应用，以下是一些常见的应用领域： 1. 自动驾驶：YOLO算法可以用于实时检测道路上的车辆、行人、交通标志等物体，从而帮助自动驾驶系统做出决策和规划路径。 2. 视频监控：YOLO算法可以应用于视频监控系统中，实时检测和跟踪监控区域内的人员、车辆等目标，提供安全警报和行为分析。 3. 物体识别与分类：YOLO算法可以用于物体识别和分类任务，例如在图像中检测和识别不同种类的动物、水果、家具等物体。 4. 人脸检测与识别：YOLO算法可以应用于人脸检测和识别领域，实时检测图像或视频中的人脸，并进行人脸识别和身份验证。 5. 工业质检：YOLO算法可以用于工业生产线上的质量检测，实时检测产品表面的缺陷、瑕疵等问题，提高生产效率和产品质量。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值