YOLO V1 论文阅读总结和讨论

最新推荐文章于 2024-06-26 15:04:49 发布
最新推荐文章于 2024-06-26 15:04:49 发布
阅读量595 收藏 2
点赞数
分类专栏： AI 文章标签： yolov1 yolo
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/gubenpeiyuan/article/details/84237197
版权

 

YOLO V1 论文阅读总结和讨论

look for papers for yolo1 contributer : leoluopy

github地址： https://github.com/leoluopy/paper_discussing/blob/master/yolo/yolo1/yolo1_discussing.md

YOLOV1： https://github.com/leoluopy/paper_discussing/blob/master/yolo/yolo1/yolo1_discussing.md

YOLOV2：https://github.com/leoluopy/paper_discussing/blob/master/yolo/yolo2/yolo2_discussing.md

YOLOV3：https://github.com/leoluopy/paper_discussing/blob/master/yolo/yolo3/yolo3_discussing.md

Overview

  • 首个OneStage网络（SSD也是）regression思路
  • 学习特征是泛化能力特别强特征(在艺术画上泛华能力仍然较强，对比同时期RCNN，RCNN在艺术画识别能力大幅下降)
  • 速度极快（多个子类型网络达到实时）
  • 摒弃滑窗或候选框，直接全局回归目标位置和分类

结构综述

图像首先分为SxS 个网格，在不同数据集和不同场景下可以设置不同S。对于每个网格预测B个Box和每个Box是否有对象。 另外对于每个网格仅预测一个类，而不是每个网格都预测类。

这也是yolo1的弱点，每个网格只有一个类，如果多个类在同一个网格，那么就会出现漏检，特别是小目标。。

每一个BoundingBox回归的是（x，y，w，h，confidence）还有一个confidence：代表是否有对象的置信度。

w 和 h 被回归到原图像的比例 【0,1】 之间 ， x，y 被回归为对应 网格的 offset 也在 【0,1】 之间

  • 因此他全连接层最后的tensor 为： （B×5 +C ）× S × S

预测置信度计算公式：

对应类概率 × 有无对象概率 × 预测box和真实box比值 = 最终预测置信度

网络设计

设计主思路：替换掉了inception module的思想，代替使用： 1x1降低特征空间 ； 3x3提取特征；两种卷积交替使用 再配合 MaxPooling 降维特征图。最后接两层全连接层，得到预测tensor

NOTE： 后面 7x7x30 是在VOC这个数据集上的特例，作者使用了 7x7个网格，每个网格 2个Box 和 20个类 也就是（ 7x7x（2x5+20））= （7x7x30）. 在表示方法上全连接层可以被看做特殊的卷积层，上图把最后的全连接层画成了更容易理解的7x7x30 tensor形状。

另外作者还提供了tradeoff，更快的YOLO1网络：用9层卷积层替换24层卷积层

模型预训练

为了获取一个更强的特征提取器获取更强的泛化能力，作者使用了ImageNet对网络的前20层进行了分类器训练，训练过程从MaxPooling那层截断， 随后加入训练所需要的全连接层。在训练一周后得到了在ImageNet上，top5：88% 的结果。截取方法如上图所示。

Loss 设计及训练方法

  • i,j 表示：第i个网格,其中第j个Box，梯度惩罚仅针对：有目标的网格，以及网格里面有正确Box的备选Box。
  • batch size：64 ，momentum SGD： 0.9 ， decay： 0.0005 [ momentum 一般将参数设为0.5,0.9，或者0.99，分别表示最大速度2倍，10倍，100倍于SGD的算法]
  • 学习率： 为了避免过大的学习率使得模型陷入局部最优无法继续下降loss，首个epoch，缓慢提升学习率从10^-3 至 10^-2 ，10^-2 学习75个epoch，10^-3 学习30个epoch，10^-4 学习40epoch
  • drop out layer使用 0.5 ，这样避免了层与层之间的固定神经元连接的自动过拟合适应。
  • 图像增广：原图100%-120% 大小缩放和旋转，HSV空间到1.5比率的曝光和饱和度调整。
  • 由于梯度是整体反向传递，如果有对象的网格和无对象的网格采用同样的比重，那么这样的梯度会推动本来有对象的网格他的置信度向0移动。论文中称为 梯度 overpowering。 ，为了解决这个问题，有对象的网格和无对象的网格在梯度下降时采用了不同比例参数。λ coord = 5 and λ noobj = 0.5
  • 在反向传递过程中，如果一个loss，对于比较大的对象是合适的惩罚，那么对于比较小的对象则是惩罚过度，比较大的和小的对象应该采用不同的惩罚 loss设计在长宽上加入求根运算，这种处理可以部分优化，但本质上仍然对于大小box的loss采用了一致的处理，在模型训练完成后的表现上，确实也出现yolo的检测卡特点：良好定位没问题，完美定位效果不太好。

其他知识点

  • 最后一层激活使用 linear ， 其他的激活使用 leaky rectified linear [激活函数公式见上图]
  • 对比FasterRcnn 这样网络，yolo 有更多的框不准问题，而FasterRcnn有更多的直接预测背景为目标。

 

 

放牛娃不吃草
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
yolo详解
复兴之矢
02-21 5092
作者：狗头山人七 链接：https://zhuanlan.zhihu.com/p/25045711 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 论文笔记：You Only Look Once: Unified, Real-Time Object Detection 评论：基于深度学习方法的一个特点就是实现端到端的检测。相对于其它目标检测与识别
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
目标检测系列（二）yolov1的全面讲解
最新发布
Trisyp的博客
06-26 1237
yolov1的全面讲解，网络结构、检测原理、正样本制作、损失函数、前向推理等
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系列论文精读总结——YOLOv1篇
AI_eNyu的博客
05-03 5428
YOLOv1论文精度YOLO系列论文精读总结——[YOLOv1篇](https://download.csdn.net/download/AI_eNyu/85274569)YOLOv1概述1. 推理阶段2 训练阶段2.1 网络结构:2.2 损失函数:后续版本 YOLO系列论文精读总结——YOLOv1篇 概述：本文为YOLOv1论文精度的记录，帮助理解YOLOv1整个训练以及预测过程。 Tips: 文章绿色部分为YOLO后续论文中优化更改的内容。 YOLOv1论文精度资料，包括论文原文，推测部分经典PPT
YOLOv1---YOLOv5论文解读
10-10 2万+
基于Python设计，OpenCV,SSD,CNN,机器学习,CNN,SVM,BP神经网络，数字识别,贝叶斯,逻辑回归,卷积神经网络等算法的中文文本分类.车牌识别,知识图谱,数字图像处理,手势识别,边缘检测，图像增强,图像分类,图像分割，色彩增强，低照度。缺陷检测，病害识别，图像缺陷检测，裂缝识别，运动车辆跟踪检测系统,数字图像处理。模式识别，运动目标检测，交通标志物识别，疲劳检测等。YOLOv1 出自 2016 CVPR 论文 You Only Look Once:Unified, Real-Time O
YOLO v1 ~ YOLO v5 论文解读和实现细节
06-06
YOLO（You Only Look Once）是一种实时目标检测算法，自从YOLOv1的提出以来，已经有了多种改进版本，我们将从YOLOv1到YOLOv5的论文解读和实现细节进行讲解。 YOLOv1 YOLOv1是YOLO系列的第一代版本，它使用来自整张...
YOLO论文v1 v2 v3核心.zip
08-01
总结来说，YOLO系列论文的核心在于提出了一种快速且准确的目标检测方法，通过一次前向传播就能完成整个图像的检测。从V1到V3，YOLO不断优化了模型结构，引入了新的技术，如FPN、锚框、批标准化等，以提高检测性能和...
yolo 系列论文和源码， 全部源码和论文 v1 - 7. yolo 系列论文和源码， 全部源码和论文 v1 - 7yolo 系
05-23
yolo 系列论文和源码， 全部源码和论文 v1 - 7yolo 系列论文和源码， 全部源码和论文 v1 - 7yolo 系列论文和源码， 全部源码和论文 v1 - 7yolo 系列论文和源码， 全部源码和论文 v1 - 7yolo 系列论文和源码， 全部...
YOLO V1 论文高清
04-24
YOLO目标识别V1第一篇论文，学习之后再看YOLO9000和YOLOV3更加深入
YOLO目标检测论文总结
05-10
YOLO目标检测论文总结
【YOLO系列】YOLOv9论文超详细解读（翻译 ＋学习笔记）
路人贾的博客
03-01 3万+
《YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information》论文翻译＋精读
YOLOv1 论文精读
The Shawshank Redemption
09-29 886
摘要 我们提出了YOLO，这是一个目标检测的新方法。目标检测领域的以往工作就是对分类器稍加调整以用于检测。相反，我们是将目标检测视为一个回归问题，这个问题是得到空间上分离的包围框(bounding boxes)以及和这些框相联系的类别概率。一个单独的神经网络就可以在一次评估中直接从整幅图像中预测bounding boxes以及对应的类别概率。由于整个检测的流程是在一个单独的网络中完成的，它能够依靠检测的表现结果进行端到端的直接优化。 依靠检测的表现结果进行端到端的直接优化：个人理解指的就是我们可以依靠检
YOLO系列论文精读
qq_43842886的博客
06-15 7286
yolo系列论文精度笔记
【深度学习YOLO V1】深刻解读YOLO V1（图解）
热门推荐
c20081052的专栏
05-08 10万+
参考：http://blog.csdn.net/u011534057/article/details/51244354论文下载：http://arxiv.org/abs/1506.02640 darknet版的代码下载：https://github.com/pjreddie/darknettensorflow版本的代码下载：https://github.com/hizhangp/yolo_tens...
海康卫视摄像头yolo检测，转换gps，用高德api借口显示点
xxxy502的博客
08-15 2208
直接上代码和效果图，因为用了高德的api接口，无法达到实时性 import sys import argparse from yolo_xie import YOLO, detect_video from PIL import Image import cv2 import os import time import numpy as np from datetime import dat...
yolov3系列(一)-keras-yolo3环境搭建
GeekPlusA的博客
12-26 2648
yoloV3主页： https://pjreddie.com/darknet/yolo/ keras-yolo3代码： https://github.com/qqwweee/keras-yolo3.git VOC数据集 http://host.robots.ox.ac.uk/pascal/VOC/ 环境需求 tensorflow-gpu1.4.0 keras2.1.3 python3.6.0 ...
python3.5+opencv3.4+yolov3实现的目标检测--------------部分代码！
FuzaoL的博客
04-20 1034
近期项目要求，要做一个基于python+yolov3+opencv的目标检测，实际上是针对工业上的工业齿轮的检测。 那在这里我对我整个项目的介绍就不多了，主要是分享一波在写项目的过程中，利用opencv3.4针对视频流按帧截取并对图像进行识别的处理。贴个代码，大家了解一下~~~ @app.route(’/detection’, methods=[‘POST’]) def detection(): ...
YOLO v1论文详解
dexterod的博客
02-25 3109
YOLO v1：一体化的，实时物体检测 声明：笔者翻译论文仅为学习研究，如有侵权请联系作者删除博文，谢谢！ 源论文地址：https://arxiv.org/pdf/1506.02640.pdf 注：文字中标粗和亮色的部分为笔者认为有创新改进余地和需要注意的地方，斜体部分为笔者的一些想法，因水平所限，部分笔触可能有不实和错误之处，敬请广大读者批评指正，让我们一起进步~ 摘要   ...
YOLO v1和YOLO v2有什么区别？
04-07
YOLO（You Only Look Once）是一种实时目标检测算法，YOLO v1和YOLO v2是其不同版本的改进。 区别如下： 1. 网络结构：YOLO v1使用一个单一的卷积神经网络（CNN）来同时进行目标检测和定位。而YOLO v2采用了Darknet...
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