YOLO
文章平均质量分 90
hu_Mrs
这个作者很懒,什么都没留下…
展开
-
YOLOv5
关于YOLOv5的个人理解 背景 虽然v5项目的作者还没有发正式的文章,但该项目早已被大家熟知。v5与之前的v4相比,我认为不同的地方主要分为以下几个方面:预测bounding box的宽高公式不同,正负样本的匹配方式。至于模型结构上大体上与v4是一样的(存在细微的差别,比如加入了SPPF模块),还有就是数据增强方面,但这并不是本文的重点,我不会对此作出详细介绍。 思想 与之前的版本相同,并不存在大的改动,核心思想不变(将图像分成多个grid,每个grid分别预测对应位置的bounding box)。 模型原创 2022-03-29 13:37:49 · 122 阅读 · 0 评论 -
YOLOv1
YOLOv1的讲解 背景:首先我们都知道目标检测分为一阶段和二阶段,甚至在一开始的R-CNN中还是多阶段网络,但无论是二阶段还是多阶段都不是端到端的,训练起来较为复杂。本文正是一阶段网络,虽然准确率在当时并不是最好的,但作者所提出的看法还是值得深思。 ...原创 2022-03-25 16:02:00 · 1329 阅读 · 0 评论 -
YOLOv2
关于YOLOv2的个人理解 背景 首先此文是YOLOv1的进阶版,作者运用了多种不同的手段来提高模型预测的精确度,但我只会对其中核心的部分进行讲解,清楚YOLOv2与YOLOv1在整个核心算法流程上有什么不同,以及它的输入和输出分别是什么含义,怎么得到的。我认为这才是我们阅读一篇文章,具体要弄懂的东西。如有的地方解释存在纰漏,敬请指正,谢谢! 思想 核心思想与YOLOv1相同,仍然是将图片划分为S*S个grid(默认S=13),每个grid预测B个bounding box(默认B=5),但对于boundi原创 2022-03-26 20:52:07 · 1262 阅读 · 0 评论 -
YOLOv3
关于YOLOv3的个人理解 背景 YOLOv3是前两个版本的进一步提升,提升的地方仅是在精度上,并且舍弃了一点对应的检测速度。因此YOLOv3的论文,内容不是很多,与前两个版本有差别的地方也不多。我总结了几个与之前版本不同的地方,主要包括3个方面:多尺度特征图预测、对目标类别损失和目标置信度损失均采用二值交叉熵损失、加入正负样本和忽略样本的判定方式标定样本信息。接下来我会详细介绍作者是怎么训练和测试的。 思想 YOLOv3的核心思想依然是延续之前v1、v2的grid思想,只不过这一次作者加入了多尺度(默认原创 2022-03-27 16:34:08 · 1021 阅读 · 0 评论 -
YOLOv4
关于YOLOv4的个人理解 背景 从上述图中,我们可以看出YOLOv4在于v3拥有相同的速度上,精度有了质的飞跃。这得益于本文将当时各种最先进的检测技术运用到了其中,主要分为以下几个方面:模型结构上加入SPP、PAN等其他模块,正负样本的判定规则,不同的定位损失。 思想 本文的核心思想与v3基本上一致,无论是grid还是多尺度预测特征图都是一样的。不一样的地方仅是调整了anchor尺寸,原本的v3中采用的anchor尺寸为(10 × 13), (16 × 30), (33 × 23), (30 × 61)原创 2022-03-28 17:13:06 · 141 阅读 · 0 评论