02 YOLO系列总结

最新推荐文章于 2023-12-24 15:31:34 发布
最新推荐文章于 2023-12-24 15:31:34 发布
阅读量698 收藏
点赞数
分类专栏： PyTorch Deep Learning
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/jizhidexiaoming/article/details/102297026
版权

参考：

https://www.jianshu.com/p/cad68ca85e27

https://arxiv.org/abs/1506.02640

https://www.jianshu.com/p/13ec2aa50c12

https://www.imooc.com/article/36391

https://www.jianshu.com/p/f87be68977cb

https://www.cnblogs.com/xiongzihua/p/9315183.html

1. YOLO v1

网络框架：

1.1 其中，输入图像大小是448*448*3，输出大小是7*7*30，如上图，最后输出的一个像素值对应原图中的一个网格，即相当于将原图分割成7*7的网格：

  • 最后输出的每个像素值都是一个30维的向量，每个像素对应原图中的一个网格，30等于2×5+20，即2个bbox值(bbox值包括坐标和宽高)，同时为每个bbox值预测一个置信度(confidence scores)。20表示某个类的中心落在当前单元格内的概率。
  • 即前面10个值用来确定目标的位置（定位），后面20个值用来确定目标的类别（分类）。
  • 输出结果中的一个像素，只能有一个类别，即要么是狗，要么是自行车，所以对应到原图中的网格，每个网格负责预测一种物体；为何用两个bbox，为了更准确的定位出物体。

 

1.2 分类功能简单，即20个0到1的值，哪个位置上的值大即属于哪个类，难点是定位功能：

 

因为定位和分类一样也视为回归任务，所以需要将坐标数据值归一化为0到1之间，假设输出结果的其中一个像素值为(x,y,w,h,confidence)，对应到原图即为上图的蓝色网格的检测结果，该目标的bbox是红色框。

1.2.1 (x, y)

(x, y)是红色bbox的中心（原图绿色点）相对于网格（当前网格是蓝色）的左边界和上边界偏移距离，由两个坐标决定，分别是单元格左上角坐标、bbox中心在原图像的坐标位置。对于上图蓝色网格坐标为(x_{col} = 1, y_{row} = 4)，假设它输出的是红色框bbox，设bbox的中心坐标(x_c, y_c)，那么最终预测的结果(x,y)是经过归一化处理的，表示的是绿色中心相对于蓝色网格的偏移，计算公式如下：

因为bbox中心相对于单元格的偏移量，即绿色点如果正好在蓝色单元格最左上角，则偏移量为0，如果正好在最右下角，则相对于左边界和上边界偏移量都为1，公式如下

\large x = \frac{x_c - w_i}{w_c}

\large y = \frac{y_c - h_i}{h_c}

其中，(w_i，h_i) 是单元格左上角坐标，w_c, h_c是每个单元格的宽、高，(x_c, y_c) 是原图像的坐标位置，x就是相对于单元格的左边界偏移的距离。所以x, y区间都是[0, 1]。

同理，y值一样，这样就实现了原图中所有的坐标值都是0到1。

每个网络只有有一个类别，类别的中心只能在网格内移动。

1.2.2 (w,h)

(w,h)是红色bbox相对于整个图片的比例。预测的bbox的真实宽高为w_b, h_b，如上图所示。(w_i,h_i)表示的是原图宽、高，计算公式如下:

w = \frac{w_b}{w_i}

h = \frac{h_b}{h_i}

其中w_i值为448，假设w_b值为160，则w = 160 / 448 = 0.3571. 

1.2.3 confidence

这个置信度是由两部分组成，一是格子内是否有目标(有为1，无为0)，二是bbox的准确度（IoU，设置IoU是为了定位更准）。即如果有目标，置信度为IoU，否则置信度为0。用来评估目标位置是否准确，而不管具体类别。

一个网格，有两个bbox，所以就有两个confidence

1.2.4 C类的条件概率

20个条件概率定义为\large p_r = (Class_i|Object)，表示该网格存在目标且属于第i类的概率。

测试的时候，将最终的输出是置信度乘以这20个条件概率值，得出一组20个概率值，因为有两组bbox，这样bbox1和bbox2的confidence分别乘以这20个条件概率值，就有两组概率值。送入NMS，得到最终的输出框结果。

1.3 损失函数

首先要明确两个概念，一是网格中有无目标，二是网格中的一个目标只有一个box负责（responsible）另一个box也算没有目标，根据在线计算IOU的大小确定哪一个负责。

其中，\sum_{i=1}^{S^2}是在遍历网格，\sum_{j=1}^{B}是在遍历每个网格的bbox，\large 1_{ij}^{obj}表示选取S^2*B个bbox中框出ground truth的那几个bbox。剩下的未被选择的，就给了\large 1_{ij}^{noobj}. λ是用来调节类别不平衡的超参数。

confidence损失：负责检测的box的label是在线计算的IOU，不负责和无目标的都为0，为了平衡，加入λnoobj

位置损失：容易理解，负责检测的才有位置损失，其他的都不需回传损失，也就不需要计算，此外小目标对于预测wh的误差更敏感，用开根的方法缓解。举例来说，大小为10和大小为100的目标，预测大小分别为20和110，损失一样但是显然小目标检测的更差一些，开根后，\large (\sqrt{20}-\sqrt{10})^2=1.7，而\large (\sqrt{110}-\sqrt{010})^2=0.24，相当于强化了小目标的损失。

类别损失：容易理解，含有目标的网格才有类别损失，其他都不需要回传损失，也就不需要计算。默认网格只出现一种类别，这当然是有缺陷的。yolov1对于一些聚集的目标，检测效果会不好。其实聚集目标本身也算很难检测的情况吧。

  • 可以看到损失函数包括5个部分。第一部分是x,y坐标；第二部分是w,h，采用根号使得小方框size变化的损失比大方框size变化的损失大，因为小目标对于预测wh的误差更敏感；第三部分是方框置信度损失，回归目标是预测方框与实际方框的IOU值；前三部分都只在预测方框和实际方框有对应关系时才计算loss；
  • 第四部分是没有对应物体的方框置信度损失，实际的置信度都是0；
  • 第五部分是分类损失，当方格与物体有对应关系时，才计算分类损失。

因为在图片中很多方格都不包含物体，使得方格预测方框的置信分数趋于0。所以对包含物体的方格加大权重，对不包含物体的方格减小权重。论文中有\large \lambda _coord = 5，\large \lambda_{noobj} = 5

 

待续。。。

 

 

 

Mr.Q
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
holoyolo:使用带有Microsoft HoloLens前端的YOLOv3进行对象检测
05-09
在HoloLens上运行YOLO 使用带有Microsoft HoloLens前端的YOLOv3进行对象检测。 该项目基于两个存储库： YOLOv3： ： HoloLens，Unity，Azure认知服务： : 这里的重点是合并这两个概念：用YOLOv3服务替换认知服务，并将其用于Unity项目中的HoloLens。
【目标检测算法】YOLOv1学习笔记
littlemichelle
01-26 3203
YOLO算法中把物体检测（object detection）问题处理成回归问题，用一个卷积神经网络结构就可以从输入图像直接预测bounding box和类别概率。（看最下的ppt有助于理解哦
YOLO v1深入理解
weixin_34007879的博客
10-15 392
YOLO（You Only Look Once）是一种基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以用于实时系统。现在YOLO已经发展到v3版本，不过新版本也是在原有版本基础上不断改进演化的，所以本文先分析YOLO v1版本。 对象识别和定位 输入一张图片，要求输出其中所包含的对象，以及每个对象的位置（包含该对象的...
YoLo V1详解
pyscl01的博客
11-05 1064
YoLo系列都是在V1的基础上进行改进的，所以学好YoLo V1至关重要
YOLO算法系列之YOLOv1精讲
m0_37940804的博客
04-22 5214
目录 YOLOv1网络结构 YOLOv1输入与输出映射 YOLOv1损失函数 坐标损失函数 置信度损失函数 类别损失函数 总结 大家好，我是羽峰，今天要和大家分享的是YOLOv1算法. 本文有文字和视频，感兴趣的话可以看视频，视频在我主页能找到，可能视频讲的更细。 YOLOv1算法是YOLO系列算法的基础，理解YOLOv1可以更好的理解YOLO系列算法。希望通过本文的讲解，能帮助你更好的理解YOLO系列算法。 YOLOv1网络结构 首先我们要理解的是yolo的网络结构，如图1所示，其实
YOLO系列详解：YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5、YOLOv6、YOLOv7
热门推荐
qq_40716944的博客
03-22 15万+
一、前言 YOLO系列是one-stage且是基于深度学习的回归方法，而R-CNN、Fast-RCNN、Faster-RCNN等是two-stage且是基于深度学习的分类方法。 YOLO官网：https://github.com/pjreddie/darknet 1.1 YOLO vs Faster R-CNN 1、统一网络：YOLO没有显示求取region proposal的过程。Faster R-CNN中尽管RPN与fast rcnn共享卷积层，但是在模型训练过程中，需要反复训练RPN网络和fa
YOLO系列算法在实际项目中的运用
m0_58508552的博客
12-24 796
此外，在医疗、农业等领域中，YOLO算法也有广泛的应用。例如，在医疗领域中可以用于胃镜息肉检测、药品表面缺陷检测、CT医疗图像检测等；在农业领域中可以用于病虫害检测、成熟度检测、生育期检测等。在作用方面，YOLO算法主要用于识别和定位图像或视频中的目标物体，它可以应用于多个领域，如自动驾驶、视频监控和安防、工业质检、零售和物流等。YOLO（You Only Look Once）算法在AI领域目标检测方向的优势主要体现在速度、精度和效果上。
yolov5的应用
lcbergwmr的博客
05-05 704
总的来说，yolov5确实是一款非常强大的物体检测算法，以它的表现来看，我相信它会成为未来物体检测领域的佼佼者。如果你需要进行物体检测，yolov5是一个非常不错的选择。用yolov5进行物体检测，真的是快速精准，对于复杂场景的识别，它的表现更是令人惊叹。我用它来检测多个目标，不仅速度快，而且对目标的识别率也非常高，几乎没有漏检的情况。只需要上传自己的数据集，就可以进行训练，让算法更加适应自己的业务场景，提高识别的准确率。在进行物体检测时，它的速度和准确率都得到了极大的提升，这也让我更加信任它的实力。
目标检测YOLO实战应用案例100讲-基于锐化注意力的快速目标检测算法及其在遥感场景下的应用研究（中）
qq_36130719的博客
09-13 482
这部分 损失是由预测框引起的，而预测框的损失包括左上角坐标带来的二元交叉熵 （Binary Cross Entropy，BCE）损失和图像宽高带来的均方误差（Mean-Square Error，MSE）损失。YOLOv3 神经网络输出了三个不同尺寸的特征图，这三和不同尺寸的特征 图在上下采样结构中的输入来自于三个大残差结构，如图2.3所示。假设输入图像的尺寸为416×416，那么输出的3个特征图尺寸如表2.1所 示，而输出特征图上的每个网格对应3个先验锚框，所以总共需要预测。
面试问题总结-关于YOLO系列（一）这是一份总结YOLO系列目标检测算法的面试问题.md
最新发布
03-18
根据给出的文档内容,这是一份总结YOLO系列目标检测算法的面试问题,重点介绍了YOLO v1版本。主要包括以下几个方面: 1. 简要介绍了YOLO算法提出的背景,传统的滑窗检测和区域检测算法的缺院。 2. 阐述了YOLO v1的算法...
yolo系列解读，v5、v7、v8运行分析
04-11
yolo系列解读，进行真实数据的训练和推理对比，针对v5、v7、v8运行分析，训练和推理过程的对比总结
YOLO_v1目标检测算法深入理解
01-20
 目标检测算法融入于日常生活中，R-CNN系列算法是two-stage类型的算法，也就是将1)候选区；2)分类器、回归器；相互结合达到目标检测的目的，但是Faster R-CNN将候选区的选取融入到了Fast R-CNN神经网
基于YOLO系列的目标检测改进算法.docx
10-23
本科毕业论文一万字《基于YOLO系列的目标检测改进算法》目录如下，希望对你有所帮助： 第一章， 1.1 引言 1.2 研究背景 1.3 研究目的 1.4 研究内容与结构 第二章， 2.1 目标检测算法综述 2.2 YOLO系列算法原理 2.3 ...
目标检测算法-YOLO系列-YOLOV1
07-18
该资源为我研究方向，基于机器视觉的轴承表面缺陷检测研究所需的算法总结
PyTorch 对应点相乘、矩阵相乘
一千零一夜的博客
09-07 10万+
一，对应点相乘，x.mul(y) ，即点乘操作，点乘不求和操作，又可以叫作Hadamard product；点乘再求和，即为卷积 data = [[1,2], [3,4], [5, 6]] tensor = torch.FloatTensor(data) tensor Out[27]: tensor([[ 1., 2.], [ 3., 4.], [ 5....
RuntimeError: Input type (torch.cuda.FloatTensor) and weight type (torch.DoubleTensor) should be the
一千零一夜的博客
09-07 4万+
出错位置：  train_label_batch = torch.from_numpy(train_label_batch) 解决办法：将数据类型转换成FloatTensor即可，如下，加一行代码Tensor.type(torch.FloatTensor) train_label_batch = torch.from_numpy(train_label_batch) train_labe...
tensor 和 numpy 的互相转换
一千零一夜的博客
09-05 2万+
为什么要相互转换： 1. 要对tensor进行操作，需要先启动一个Session,否则，我们无法对一个tensor比如一个tensor常量重新赋值或是做一些判断操作，所以如果将它转化为numpy数组就好处理了。下面一个小程序讲述了将tensor转化为numpy数组，以及又重新还原为tensor： 2. Torch的Tensor和numpy的array会共享他们的存储空间，修改一个会导致另外的一...
怎样降低yolo输入图像的分辨率 代码
08-07
### 回答1： 可以使用OpenCV中提供的resize函数，将输入图像的分辨率进行降低。代码示例如下： ```python import cv2 # 读取图片 img = cv2.imread("input.jpg") # 将分辨率降低为原来的一半 resized_img = cv2.resize(img, (img.shape[1]//2, img.shape[0]//2)) # 保存图片 cv2.imwrite("output.jpg", resized_img) ``` 其中，cv2.imread用于读取图片，cv2.resize用于调整图片大小，cv2.imwrite用于将处理后的图片保存到本地。调整图片大小可以根据具体需求进行修改。 ### 回答2： 要降低YOLO输入图像的分辨率，可以通过调整图像的大小来实现。下面是一个示例代码，可以使用OpenCV库来完成这个任务： ```python import cv2 def resize_image(image, new_width, new_height): """ 调整图像大小 :param image: 原始图像 :param new_width: 新的宽度 :param new_height: 新的高度 :return: 调整大小后的图像 """ resized_image = cv2.resize(image, (new_width, new_height)) return resized_image def main(): # 加载原始图像 image = cv2.imread('input_image.jpg') # 调整图像大小为新的分辨率 new_width = 416 # 设置新的宽度 new_height = 416 # 设置新的高度 resized_image = resize_image(image, new_width, new_height) # 保存调整大小后的图像 cv2.imwrite('resized_image.jpg', resized_image) if __name__ == '__main__': main() ``` 上述代码中，我们定义了一个名为`resize_image`的函数，该函数使用OpenCV的`resize`方法来调整图像的大小。在`main`函数中，我们加载了原始图像，然后调用`resize_image`函数将图像调整为新的宽度和高度。最后，我们使用`imwrite`方法保存调整大小后的图像。 此代码旨在将YOLO输入图像的分辨率调整为416x416像素，你可以根据需要更改`new_width`和`new_height`的值来调整分辨率。希望这个回答能对你有所帮助！ ### 回答3： 要降低YOLO输入图像的分辨率，可以通过以下步骤完成： 1. 导入必要的库和模块：首先，需要导入YOLO使用的库和模块，例如OpenCV和YOLO的Python接口。 2. 加载预训练的YOLO模型：使用YOLO的Python接口，加载已经训练好的YOLO模型。这个模型将会被用来进行目标检测任务。 3. 加载输入图像：使用OpenCV库，加载需要进行目标检测的输入图像。 4. 调整输入图像的分辨率：使用OpenCV库提供的函数，对输入图像的尺寸进行修改。可以通过设置新的宽度和高度来降低图像的分辨率。 5. 执行目标检测：将调整后的输入图像传递给YOLO模型，执行目标检测任务。这会返回图像中检测到的目标的边界框信息和置信度。 6. 绘制边界框：使用OpenCV库提供的函数，将检测到的目标边界框信息绘制到原图上。 7. 显示输出图像：使用OpenCV库提供的函数，将绘制完边界框的输出图像显示出来。 下面是一个示例代码来降低YOLO输入图像的分辨率： ``` import cv2 import numpy as np import yolo_module # 加载YOLO模型 yolo = yolo_module.YOLO() # 加载输入图像 image = cv2.imread("input_image.jpg") # 调整输入图像的分辨率 new_width = 640 new_height = 480 resized_image = cv2.resize(image, (new_width, new_height)) # 执行目标检测 boxes, confidences = yolo.detect_objects(resized_image) # 绘制边界框 yolo.draw_boxes(resized_image, boxes, confidences) # 显示输出图像 cv2.imshow("Output Image", resized_image) cv2.waitKey(0) cv2.destroyAllWindows() ``` 注意，在实际使用中，可能需要根据具体情况修改参数和函数调用。以上代码仅供参考。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

打赏作者

Mr.Q

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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