yolo中的anchor和bounding box的区别

最新推荐文章于 2023-12-28 22:43:00 发布
最新推荐文章于 2023-12-28 22:43:00 发布
阅读量1.1k 收藏 14
点赞数 3
分类专栏： 深度学习 文章标签： 目标检测 深度学习 人工智能
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/guoguozgw/article/details/128194517
版权

转载于

作者：冰很烫

链接：https://www.zhihu.com/question/521559167/answer/2386284858

来源：知乎

Ground truth是真实标注框，也就是人工标注，一般被看作“真值”Bounding box一般认为（为什么是一般认为，原因参照下面一段最后括号中的内容）是网络最终预测的结果，也就是“可能值”，因为网络可能预测正确也可能错误Anchor box被称作预选框，anchor的机制会更复杂一些，有许多帖子来专门讲解这个。总的来说就是在图像上会按照一定的规律放置一些anchor，网络会学习anchor相对于ground truth的偏移量，我们可以把anchor看作bounding box的“爷爷”，anchor+/-/×/÷偏移量所得到的框是bounding box的“父亲”，“父亲”经过非极大值抑制（NMS）之后就是bounding box了（但是也可以说“父亲”就是bounding box了，只是因为“父亲”很少出现在这个领域的相关内容中，所以一般说bounding box的时候指的是NMS之后的结果）IOU在不同的阶段会代表不同目标之间的交并比，比如在训练阶段需要判断anchor是正样本还是负样本，这个时候就需要用ground truth和anchor box计算IOU。在推理预测阶段进行NMS操作的时候，又要计算“父亲”每个框的IOU来进行合并删除操作

要努力啊啊啊
关注
  • 3
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
什么是Bounding Box、anchor box?
hjl_heart的博客
10-30 4万+
由于最近在看YOLOv3算法，感觉老是不清楚bounding box和anchor box的概念，看完吴恩达的视频后准备写一篇博客记下笔记。em...所以也会用吴恩达视频中的例子来讲。 在视频中，有一张图片，假设要检测的目标类别有3类，行人、轿车、摩托车。我们将图片划分为3*3的网格(grid cells)，并且设置有两个anchor boxes(即，图中那两个紫色边框)。这样每次检测一个grid cell，就会输出一个向量y = [Pc, bx, by, bh, bw, c1, c...
anchor设置 yolo_YOLOv3原理讲解之Anchor Box
weixin_39517400的博客
12-19 816
Anchor Box在讲解YOLO之前，有必要先解释什么是Anchor box。在做目标检测任务时，我们首先需要将数据标注并得到训练集、验证集、测试集。已标注的数据label，其实就是在原始图片中用矩形框框出目标，得到的矩形框参数(中心点坐标、长、宽)就是label。Anchor box其实就是从训练集中将所有的矩形框的大小尺寸统计处最常出现的某几个矩形框，这里我们可以采用K-Means来得到。这...
关于ancher box 和bounding box的区别
小白的博客
07-02 8548
本文假设你已经看过yolo论文，故不在贴图原论文解释。 虽然都是框框（box），但是实际上区别还是很大的，在yolo算法中，Y的输出形式为 例如： 那么，在这里,ancher box（以下称为abox）的种类为2，而bounding box（以下称为bbox）的种类为3。 为什么要这么设计呢？ 假如现在有一个任务，需要预测男人，女人，汽车，那么根据他们的形状，你会想到两种框来预测，（长条的，扁平的），这是在形状的角度来描述，而你还需要预测目标的类别，即c1=男人，c2=女人，c3=汽车。如果c
锚框 anchor box和边缘框 bounding box
qq_42250207的博客
10-18 1500
锚框和边界框
Bounding Box与anchor box
m0_54146002的博客
09-26 4444
之前一直分不清Bounding Box与anchor box，直到问了一下 YOLO会将输入的图片分成S*S个网格，每个小网格会生成n个anchor Box。图像的真实框会和图像中心点所在的小网格生成的anchor box做IOU计算。回归出来的框就是Bounding Box（也就是网络输出的框，他与真实框和anchor Box都有差距） ...
YOLO的bounding boxes
weixin_55035144的博客
11-13 473
并且为 S x S（S = 7）个grid，如果物体的中心落入该grid中，那么该grid就需要负责检测该物体。YOLO使用了 7×7 网格 (S×S)、2 个bounding boxes (B=2) 和 20 个类别 ©。网络输出就是一个 S × S × (5×B+C)。3.每个框还要负责预测这个框中的物体是什么。4.综上，S×S 个网格，每个网格要预测。1.YOLO将输入的图片resize成。3.2.2 预测形状。
YOLO系列Bounding Box方面回溯学习反思
LouisD5Luka的博客
12-26 995
YOLO系列Bounding Box方面回溯学习反思 总的来说，便是在每一种scale下每个grid cell设定一些anchor，即论文里说的bounding box先验，然后根据预测出的关于坐标的值来进行微调，微调包括平移和缩放，一般取与GT的IoU最大的Bounding Box进行近似线性回归的框调整,可视为线性回归理由如下: lim⁡x→0log⁡(1+x)=x\lim\limits_{x...
yolo算法总结
weixin_45083710的博客
08-21 859
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 v2目标检测详解一box生成与转换
路途遥远，初心难忘，道阻且长，愿君走出半生，归来仍是少年
04-07 1218
yolo v2会将图片切割成若干个大小为32*32 的小格子，因此，将图片传入时，图片的长和宽都必须是32的倍数，如下所示： 后面的内容中，如果没有说明，都是指的小格子。yolo v2中的box中的数据并不是平常的xmin,ymin,xmax,ymax，而是，offset_x,offset_y,w,h，分别代表的意思是：box中心x坐标在小格子的比例，box中心y坐标在小格子的比例,宽和小格...
目标检测中anchor box(先验框)的理解
zl_Dream的博客
02-15 6159
近来心血来潮，把CV领域关于目标检测的主流方法YOLOv3和Faster RCNN看了一下，对其中的先验框(anchor box)一直不太理解，在广泛地阅读了一些相关讲解后，有了一定的理解，在此记录一下。 先验框的个人理解 先验框最早提出于Faster RCNN，初衷是为了代替selective search算法。 先验框是根据特征图生成的，即，特征图上每个位置都有一定数目不同比例的先验框。而大小是相对于原图的，也就是特征图上每个点可以映射到原图中某个特定区域(感受野大小)。 在训练的时候往往是把先验框缩
YOLO v2和V3 关于设置生成anchorbox，Boundingbox边框回归的个人理解
shenkunchang1877的博客
04-21 9284
PS：这篇文章主要是自己学习纪录下的笔记，不对的地方还请指正。 网上有很多优秀博客，介绍了yolov2的设计思想以及实现过程。绝大部分我都翻阅了一遍，也看了论文，找了视频看了。 这篇文章只说明anchorbox 和boundingbox之间的关系，想学习YOLOv2整体的过程可参考这个：https://zhuanlan.zhihu.com/p/47575929。 首先看了 yolov1 过程...
深度学习应用篇-计算机视觉-目标检测[4]：综述、边界框bounding box、锚框（Anchor box）、交并比、非极大值抑制NMS、SoftNMS
丨汀、的博客
06-08 1940
声明：部分项目为网络经典项目方便大家快速学习，后续会不断增添实战环节（比赛、论文、现实应用等）
YOLO V1中关于bounding boxs的部分要点
weixin_55035144的博客
11-13 593
函数公式中 x, y 是使用 平方差值 来描述，而对于 w, h 使用了根号，是为了检测小物体时候，减小偏移量小的时候对于小物体的的敏感度。平方置信度与真实值之间的差异（分为不同的情况讨论：前景（要检测的物体）、背景（无目标处））每个点只有两个候选框，小物体考虑的少，检测效果一般，多标签检测效果不好。网络中，每个 cell 只预测一个类别，若物体的位置重合时，检测困难。对应的损失函数要尽量减小预测值与真实值之间的差距。每个框还要负责预测这个框中的物体是什么。损失函数中的系数，是相应的权重。
理解与总结:YOLOv1中候选框(Bounding Box或者Predict Box)——纯文字真的很干
Kyrie
11-30 8493
各位CV伙伴估计已经看了很多网上许多关于YOLO1的博客，在这里我推荐路过的朋友可以参考以下链接，有一定基础再来看我的这个博客。因为我参考了前人的知识再做的总结，有些小的基础的概念没有详细解释。 参考链接：https://www.jianshu.com/p/cad68ca85e27 【YOLOv1中的B-BOX理解】 1.RCNN提出了候选区(Region Proposals)的方法，先从图片中搜索出一些可能存在对象的候选区（Selective Search），大概2000个左右，然后对每个候选区进行对
对YOLO bounding box的理解
Pichairen
05-30 2万+
一、yolov1 bounding boxbounding box是怎么产生的？回归产生的，回归？哎呀，妈呀，回归是什么我都忘记了，好吧，我来举个初中的线性回归例子简单回顾一下有两组数据A和BA = [1,2,3,4,5] B = [2,4,6,8,10]利用回归的思想预测当A为6的时候B对应的值是多少很明显回归参数就是2，回归程为y = 2x，所以A为6的时候B对应的值应该是12，这就是最简单的...
【目标检测】概念理解：region proposal、bounding box、anchor box、ground truth、IoU、NMS、RoI Pooling
kentocho的博客
11-14 7199
本文主要对region proposal、anchor box、bounding box、bounding box regression、ground truth、IoU、NMS、RoI Pooling 这些名字进行解释，随后附上RCNN、Fast RCNN、Faster RCNN的实现步骤。
YOLO模型——重点讲解网格grid与边界框bounding boxes思想
最新发布
weixin_62108939的博客
12-28 1562
在看论文或者别人的介绍中，网格和边界框的是一起出现的，分网格勉强可以理解，边界框也可以理解，但我想，初学者最大的疑问莫过于网格和边界框是怎么配合的？以及最大的问题怎么保证每个网格有B个边界框呢？之所以出现这样的疑问，我觉得是在学习，讲解YOLO的顺序不对。
【YOLO v4 相关理论】Bounding Box regression loss: IoU Loss、GIoU Loss、DIoU Loss、CIoU Loss
qq_38253797的博客
04-28 2315
目录背景一、IoU Loss1.1、定义1.2、优缺点1.3、应用场景二、GIoU Loss2.1、定义2.2、优缺点三、DIoU Loss四、CIoU Loss五、PyTorch实现Reference 背景 对于分类问题而言，我们常常会使用一些L1,L2损失函数，但是对于回归问题而言,L2损失函数真的是合适的吗？答案是否定的，如下图： 图中左中右三种情况的L2损失都是相等的，但是他们的回归效果却千差万别。所以L2损失并不能很好的反应我们预测框和真实框的重合程度，于是就有了我们后来的IoU以及IoU L
锚框(anchor box)/先验框(prior bounding box)概念介绍及其生成
热门推荐
qq_46110834的博客
12-19 4万+
一.锚框(anchor box)/先验框(prior bounding box) 在众多经典的目标检测模型中，均有先验框的说法，有的paper(如Faster RCNN)中称之为anchor(锚点)，有的paper(如SSD)称之为prior bounding box(先验框)，实际上是一个概念，特此说明。 1.锚框的作用 对于目标检测任务，有这样一种经典解决方案：遍历输入图像上所有可能的像素框，然后选出正确的目标框，并对位置和大小进行调整就可以完成目标检测任务。这些进行预测的像素框就叫目标框。这些目标框通
解释yolo中的TaskAlignedAssigner
05-25
对于每个图像，YOLO算法将整个图像分成一定数量的网格，并在每个网格中预测一组边界框（bounding box）。每个边界框由5个基本元素组成：x、y、w、h和confidence。其中，x和y表示边界框的中心坐标，w和h表示边界框的...
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