【手撕经典算法】【论文解读】【目标检测】YOLO系列解读YOLOv3算法手写

最新推荐文章于 2025-03-05 19:15:49 发布
原创 最新推荐文章于 2025-03-05 19:15:49 发布 · 1.4k 阅读 · 13 ·
CC 4.0 BY-SA版权
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。
文章标签：

#计算机视觉 #算法

本文对YOLO系列算法论文进行解读，涵盖YOLOv1、YOLOv2和YOLOv3。介绍了各版本网络输出目标表示、架构、损失函数等内容，分析了YOLOv2相较于YOLOv1的改进点，以及YOLOv3的结构特点和训练方法，还提及了一些论文未详述的要点。

YOLO系列算法论文解读

手撕YOLOv3代码部分：https://github.com/lzneu/handwriten_net/tree/master/yolov3

目录

YOLOv1

1、直接看网络的输出如何表示目标

2、网络架构

3、损失函数

YOLOv2

1、背景

2、相比较YOLOv1的改进

2.1 Batch Normalization

2.2 High Resolution Classifier

2.3 Convolutional With Anchor Boxes

2.4 Dimension Clusters

2.5 Direct location prediction

2.6 Fine-Grained Features

2.7 Multi-Scale Training

3、网络架构

3.1 backbone

3.2 Training for classification

3.3 Training for detection

3.4 联合训练策略

3.5 训练细节

YOLOv3

1、背景

2、结构介绍

2.1 backbone

2.2  Bounding box设置

2.3 Class Prediction

2.4 跨尺度预测

2.5 整体架构

2.6 训练

4、其他论文中没有的点：

参考文献

YOLOv1

1、直接看网络的输出如何表示目标

如Fig2

  • 最终的输出层特征尺寸为S*S大小的grid，每个grid单元代表一个输出预测；
  • 每个输出预测包括B个bbox以及C个类别的置信度
    • bbox表示为[x,y,w,h, 置信度]，其中，xy 为相对于gridcell边界的中心；w,h 为相对于整个图片的距离；置信度预测为预测框和真实框的IOU值，当grid cell中不存在目标时，其值为0
    • C个类别置信度为Pr(Classi| Object)，其中P(Object)为bbox中的置信度
    • 注意，无论B为多少，都只预测一组C值
  • 因此最终的输出特征的维度为：S*S*(B*5+C)

其中，在PASCAL VOC数据集上，设置S=7，B=2，C=20

因此，输出层最终的特征尺寸为：7*7*30

2、网络架构

整体的思路是：卷积网络提取特征+全连接层编码输出

网络架构图如fig3

  • 使用24个卷积层+2个全连接层
  • 使用224尺寸的图片，ImageNet数据集训练前20个卷积层
  • 使用1*1卷积进行通道变换
  • 增加4个卷积层和2个全连接层使用随机初始化参数
  • 最后放大输入图片尺寸到448作为检测的卷积网络的输入
  • 最后一层使用线性激活函数；其余层均使用leaky 线性激活函数，如公式(2)所示

3、损失函数

全部使用平方和误差，但是有3个明显问题：

1）位置损失和类别损失不能具有相同的权重

2）大部分的grid cell不具有object，导致训练初期都为0，训练不稳定

3）平方和误差对于大box和小box的惩罚程度不同，导致小目标惩罚过轻

作者对此采取了一些措施：

1）使用两个参数λcoord=5和λnoobj=0.5来控制bbox损失和无目标预测的损失

2）使用宽高的平方根来计算位置损失，减少大小目标惩罚程度不同的问题

整体损失函数如公式（3）

其中：

  • 代表在gridcell i出现
  • 代表在gridcell i 和bbox j  出现目标

YOLOv2

1、背景

  • 2017CVPR
  • 相比较YOLOv1mAP提升10+%，并且检测速度更快
  • 使用目标检测数据及学习定位，使用分类数据及学习类别判断，因此可以检测超过9000个类别，又称YOLO9000

2、相比较YOLOv1的改进

2.1 Batch Normalization

- 提升mAP约2%

- 帮助正则化模型，移除了所有的dropout

- 注意：卷积之后加入BN，卷积层的bias可以去掉了，因为其值可由bn层的平移因子代替

2.2 High Resolution Classifier

- 先使用448*448的输入尺寸的ImageNet训练分类网络10个epoch（YOLOv1中是使用224的输入尺寸训练，然后直接应用到448输入的检测中）

- 提升4%的mAP

2.3 Convolutional With Anchor Boxes

- 移除fc层，使用anchor boxes来预测bbox，模型预测偏移量而不是绝对坐标使得网络更易于学习

- 去掉pooling层，让输出有更高的分辨率

- 输入图片从448调整为416，使得特征图有一个绝对的中心位置，便于预测超大目标

- 下采样倍数为32，从416到13

- mAP降低0.3%，recall提升7%，意味着模型有更大的提升空间

2.4 Dimension Clusters

- 使用k-means方法做anchor设置

<
最低0.47元/天 解锁文章
教程-逐行手写单目标检测算法
weixin_47622017的博客
04-09 411
【代码】教程-逐行手写单目标检测算法。
目标检测：YOLO You Only Look Once
huangyiping12345的博客
10-24 1171
参考文献： Redmon J , Divvala S , Girshick R , et al. You Only Look Once: Unified, Real-Time Object Detection[J]. 2015. 项目主页： http://pjreddie.com/darknet/yolo/ You Only Look Once Redmon J , Divvala S , Gir...
YOLOv1(You Only Look Once: Unified, Real-Time Object Detection)论文笔记
xuefengxiaoyang的博客
05-07 1153
论文链接：You Only Look Once: Unified, Real-Time Object Detection 网页地址：YOLO 摘要： 我们提出了YOLO，一个新的方法用于目标检测。之前的目标检测工作都是使用分类器来做检测。相反，我们将目标检测中空间分离的边界框和相关的类概率问题使用回归来处理。在每次测试时，一个神经网络直接从全图预测出目标的边界框和所属的类别。因为整个检测流程...
手写YOLOv3|代码详细注释
Talk is cheap, show me the code!
10-24 1278
YOLOv3代码详解一. 数据预处理一. Yolov3网络一. Train一. Detection 源代码：https://github.com/eriklindernoren/PyTorch-YOLOv3 一. 数据预处理 utils/datasets.py import glob import random import os import sys import numpy as np from PIL import Image import torch import torch.nn.functi
手写Yolov3
rush_peng的博客
08-14 1037
1.yolo3简介 1.电脑如何确定一个猫的位置？ 这个需要四个参数： yolo3 是怎么确定这个 四个参数的？ 防止失真，会在框的上下边缘添加黑框。 分成多个网格，大网格负责对大物体的检测，小网格负责对小物体的检测。 2.Yolov3 的网络结构 1.yolov3中的结构 左边这一部分，属于一个特征提取网络，在残差网络里面，会有三个形状不同的特征图。然后他们放到一个 “解码的过程” 中，后边就是如何利用这些特征来完成目标的检测。 13*13 的特征图会经过五次卷积，本别有两个输出，往上的是
2025年了，AI算法工程师的校招主要考察哪些内容？
最新发布
智能守恒_HengAI
03-05 1578
结合大模型时代的技术趋势与计算机视觉（CV）算法岗的校招要求，校招考察要点呈现以下核心特征：编程与算法基础深度学习与CV专业知识项目与实战经验大模型核心技术前沿技术与创新思维工程与落地能力岗位类型差异行业招聘趋势技术准备简历与面试优化行业动态跟踪大模型时代下，CV算法岗校招呈现**“基础能力强化+技术边界扩展”**的双重特征：
手撕IoU,python代码
一名学术垃圾的博客
11-15 229
IoU 的全称为交并比（Intersection over Union），通过这个名称我们大概可以猜到 IoU 的计算方法。IoU 计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。
华为算法工程师实习生面试面经及准备方法（2020) （已拿OFFER）
persist
01-21 9624
首先自我介绍，专业，专业课，排名，课题组（重点问了课题组内干什么，做了什么成果[论文/奖项]）。 编程语言的询问，主要掌握什么语言？ MATLAB，Labview，Java, Python, Cpp. 然后问了一些Java1.8的新特性。 问了常用的机器学习框架，各有什么特点，如何分类。 问了你如何理解深度学习。你认为深度学习中最重要的是什么？ 然后就是喜闻乐见的手撕代码，15分钟手写...
2023届秋招图像算法岗面经记录（TPlink（普联）、潮州三环、中电十所、科大讯飞、旷视、超参数、虹软、大华、速腾聚创、中兴、哲库、字节、OPPO、百度、之江实验室、蚂蚁、Intel、小米）
轻舟的万重重山
08-15 9691
问得很细，期间发散的问我深度学习的相关知识，包括：轻量型模型有哪些？，BN层原理，一个B,C,H,W的特征在BN层参数，BN的均值方差测试时怎么算。我的反思：还是对自己简历做的东西不是很熟悉，NAFnet都是旷视出来的，都没有好好研究说清楚，基础网络要烂熟于心，最新的transformer等也要把经典的了解清楚。以及最后的做题环节，还是题做少了，好好准备。没做过这道题卡着了，也没在意说要在空间复杂度最小的情况下实现。反问环节: 旷视成都的业务主要是手机画质相关，包括去噪，超分，图像对齐，HDR等；.....
一步一步手写实现实时监测物体YOLO v3 EASY METHOD | OpenCV Python CNN卷积神经网络
AI架构师易筋
08-20 912
先看程序实现效果 1. 设置环境 IDE：PyCharm Python：3.8 新建 project： Yolov3 安装依赖 Package, (路径: 菜单 PyCharm > Preferences > Project: Yolov3 > Python Interpreter) numpy opencv-python 2. 下载对象名字coco.names, 参数文件cfg，和权重文件 weights coco.names 下载 https://github.com/pjr
YoloV3手写体数字识别项目数据.zip
12-16
Yolov3作手写数字识别，最好的新手入门项目。随机手写数字数据集 包含4000张可以直接使用的数据集 以及制作好的原始待检测视频+自己训练好的模型的检测视频。本资源的训练数据是labelImg标签过的，用了这个数据包和标签，你可以轻轻松松开始你的yolo之旅
手撕yolo3系列——详解主干网络darknet53代码（详细注释）-附件资源
03-05
手撕yolo3系列——详解主干网络darknet53代码（详细注释）-附件资源
Yolov3随机手写数字数据集
10-15
Yolov3随机手写数字数据集 包含4000张可以直接使用的数据集 以及制作好的原始待检测视频+自己训练好的模型的检测视频
手写--单目标检测
雪剑封心
03-19 313
在目标检测任务中通常有3个损失需要进行训练：1.图片是否存在检测目标、2.目标左上角与右下角坐标位置、3.目标为什么类别。
写一篇题目为基于yolov5的行人检测算法研究的论文摘要
weixin_42609225的博客
02-13 1036
基于YOLOv5的行人检测算法研究是一项有助于提升安全性的重要研究。本文探讨了基于YOLOv5的行人检测算法的研究进展，以及在行人检测任务中的应用。首先，本文介绍了YOLOv5的架构和特性，并着重介绍了YOLOv5在行人检测任务中的优势，包括准确率、召回率和处理时间。其次，本文研究了YOLOv5在行人检测任务中可能出现的挑战，并将这些挑战加以分析，以减少模型误差。最后，本文提出了一些有关改进YOL...
手撕目标检测之第二篇：单机多卡分布式训练 yolov3
To_be_little的博客
10-16 1510
利用 pytorch 使用多 gpu 进行模型训练，学习如何将模型和数据手动设置在多个的 gpu 上面。学习什么是 PyTorch 的分布式训练，什么是DP、DDP，什么是自动混合精度训练MAP等知识点。
深度学习实战手写数字识别【数据集+YOLOv5模型+源码+PyQt5界面】
weixin_40280870的博客
05-01 4568
采用手写板模拟0-9的10个数字数据集，如下图所示总共手写了600张手写数字图像，每一个图像包含至少一个手写数字YOLOv5算法是一种单阶段目标检测算法，其网络结构主要由输入端（Input）、主干网络Backbone）、特征融合模块（Neck ）和预测层（Head）4个部分组成。如下图所示。
【手撕经典算法】【目标检测】SSD
lz867422770的博客
12-21 3630
先看论文，再写解读，再根据pytorch 手写实现
YOLO3算法中特征提取网络部分（darknet53）代码讲解
weixin_45164367的博客
08-13 4808
特征提取网络部分（darknet53）示意图： Conv2D是什么？一种特殊卷积，主要是有一个L2正则化 # 单次卷积 # #--------------------------------------------------# @wraps(Conv2D) def DarknetConv2D(*args, **kwargs): darknet_conv_kwargs = {'kernel_regularizer': l2(5e-4)} #L2正则化帮
评论 1
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