目标检测入门——YOLO系列

最新推荐文章于 2023-10-19 08:28:09 发布
最新推荐文章于 2023-10-19 08:28:09 发布
阅读量215 收藏 2
点赞数 1
文章标签： 目标检测 YOLO 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/m0_57949473/article/details/132963575
版权

总述

two-stage：从图像中提取若干候选框，然后逐一对候选框进行甄别，候选框可能变为预测框。代表作：RCNN、FastRCNN fasterRCNN

候选框称为regions for interest (ROI)，选择候选框的过程称为region proposal 

one-stage:不需要提取候选框，直接把图像喂到模型里面，模型就输出目标检测结果，不需要候选框不需要甄别，代表作：YOLO，SSD，RetinaNet

YOLOv1

相比于fast R-CNN候选框只是图像中的一小部分，丢失了与背景和全景的关系，YOLO使用全图one-stage解决该问题

预测阶段

在YOLOv1中把固定大小的输入图像划分为7*7个grid cell，每个grid cell预测2个bounding box，每个bounding box的中心点落在grid cell里面，bounding box由（x,y,h,w,c）表示，其中c表示置信度即下图中框的粗细程度。而每个grid cell 预测一组条件类别的概率。最后候选框的置信度×类别条件概率就可以得出最终的框以及框中物体类别

具体来说如何获取到置信度和条件概率呢？

答：通过YOLO网络结构可以得到7*7*30 tensor，其中7*7就对应将图片切成7*7的grid cell，而30=（5*2+20），其中5*2 代表每个grid cell生成1个bounding box而每个bounding box又有5个参数

上图可以看出，7*7*30的结构每个grid cell的通道中包含了其2个bounding box的参数和其自身类别。从而可以得到所有候选框及其类别然后再根据置信度过滤和NMS去除多余框

同样的，我们也能发现YOLOv1的缺陷：其划分的每个grid cell只能代表一种类别，那么当遇到小目标（目标大小小于grid cell）的时候效果很差。

训练阶段

预测阶段中最重要的就是7*7*30 tensor，他包含了候选框所有信息，那么他是如何训练得到的？

标注好的图像中真实框中心点落在哪个grid cell中就应该由哪个grid cell预测出的bounding box去拟合（grid cell预测出的有两，选IOU大的去拟合）

若真实框没有中心点落的grid cell，则其预测的bounding box让其置信度c越接近0越好

莉总的猹
关注
目标检测算法——YOLOv7改进|增加小目标检测层
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
11-02 1万+
目标检测算法——YOLOv7改进|增加小目标检测层。官方版的YOLOv7相同体量下比YOLOv5精度更高，速度快120%（FPS），比 YOLOX 快180%（FPS），比 Dual-Swin-T 快1200%（FPS），比 ConvNext 快550%（FPS），比 SWIN-L快500%（FPS）。
目标检测算法——YOLOv5/YOLOv7改进之结合​RepVGG（速度飙升）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
11-11 1万+
目标检测算法——YOLOv5/YOLOv7改进之结合​RepVGG（速度飙升）。在ImageNet上，据我们所知，RepVGG的top-1准确性达到80％以上，这是老模型首次实现该精度。 在NVIDIA 1080Ti GPU上，RepVGG模型的运行速度比ResNet-50快83％，比ResNet-101快101％，并且具有更高的精度，与诸如EfficientNet和RegNet的最新模型相比，RepVGG显示出良好的精度-速度权衡。效果对比如下图所示。
物体检测经典算法2——Yolov1核心思想
Evan_qin_yi_quan的博客
11-29 767
YOLO目标检测——Yolov1核心思想
目标检测模型YOLOv3之候选区域计算
Wenweno0o的博客
12-10 1001
R-CNN系列算法需要先产生候选区域，再对候选区域做分类和位置坐标的预测，这类算法被称为两阶段目标检测算法。近几年，很多研究人员相继提出一系列单阶段的检测算法，只需要一个网络即可同时产生候选区域并预测出物体的类别和位置坐标。 与R-CNN系列算法不同，YOLOv3使用单个网络结构，在产生候选区域的同时即可预测出物体类别和位置，不需要分成两阶段来完成检测任务。另外，YOLOv3算法产生的预测框数目比Faster R-CNN少很多。Faster R-CNN中每个真实框可能对应多个标签为正的候选区域，而YOLOv
YOLO v1深入理解
weixin_34007879的博客
10-15 427
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...
（20）目标检测算法之YOLOv5计算预选框、详解anchor计算
yohnyang的博客
03-13 8376
目标检测算法之YOLOv5计算预选框、详解anchor计算
YOLOv3学习——锚框和候选区域
pidzhengding的博客
02-08 9505
YOLOv3学习之锚框和候选区域 单阶段目标检测模型YOLOv3 R-CNN系列算法需要先产生候选区域，再对候选区域做分类和位置坐标的预测，这类算法被称为两阶段目标检测算法。近几年，很多研究人员相继提出一系列单阶段的检测算法，只需要一个网络即可同时产生候选区域并预测出物体的类别和位置坐标。 与R-CNN系列算法不同，YOLOv3使用单个网络结构，在产生候选区域的同时即可预测出物体类别和位置，不需要分成两阶段来完成检测任务。另外，YOLOv3算法产生的预测框数目比Faster R-CNN少很多。Faster
PyTorch深度学习实战（22）——从零开始实现YOLO目标检测
最新发布
盼小辉丶的博客
10-19 4239
YOLO (You Only Look Once) 是一种实时目标检测算法，它以其高效性和准确性而闻名。相比于传统的目标检测方法，YOLO 的主要特点是在单个前向传递中同时完成目标检测和分类，YOLO 通过全局感受野捕捉了整个图像中的上下文信息，对小尺寸物体的检测效果较好。在本节中，将介绍 YOLO 的工作原理，然后在自定义数据集上训练 YOLO 目标检测模型。
【YOLO系列】YOLOv5超详细解读（源码详解＋入门实践＋改进）
热门推荐
路人贾的博客
03-03 15万+
一文带你详细了解YOLOv5（含YOLO系列论文讲解+源码详解+入门实践+算法改进）
目标检测算法——YOLOv7训练自己的数据集（保姆级教程）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
10-26 9857
目标检测算法——YOLOv7训练自己的数据集（保姆级教程）！！！
yolo输出检测框的中心位置以及中心点标注
m0_70098011的博客
07-17 4138
通过修改yolo中的代码输出检测框的中心位置和实现中心点标注
目标检测-Yolo框架
wangzilong_2019的博客
11-08 5470
这里为介绍目标检测基本概念、以及目前最流行的框架yolo各个版本之间的进化过程
CornerNet：不用 Anchor Boxes 也能进行目标检测（Object Detection）
StreamRock的专栏
09-04 903
一、简介 目标检测（Object Detection）是图像识别的一个重要领域，近来看了一篇19年8月的相关综述《Recent Advances in Deep Learning for Object Detection》[1]，发现自己又落伍了，现在已经到了不用 anchor boxes也能进行目标定位了。我们来看看文中给出的一个 Object Detection 的发展脉络： 图1 基于深度...
目标检测算法YOLO-V1算法详解
追光少年的博客
05-03 2089
一、YOLO-V1结构剖析 YOLO-V1的核心思想：就是利用整张图作为网络的输入，将目标检测作为回归问题解决，直接在输出层回归预选框的位置及其所属的类别。YOLO和RCNN最大的区别就是去掉了RPN网络，去掉候选区这个步骤以后，YOLO的结构非常简单，就是单纯的卷积、池化最后加了两层全连接。单看网络结构的话，和普通的CNN对象分类网络几乎没有本质的区别，最大的差异是最后输出层用线性函数做激活函数，因为需要预测bounding box的位置（数值型），而不仅仅是对象的概率。所以粗略来说，YOLO的整...
yolov5目标框预测
白起
11-06 3万+
yolov5目标检测模型中，对模型结构的描述较多，也容易理解。但对如何获得目标预测方面描述较少，或总感觉云山雾罩搞不清楚。最近查阅一些资料，并加上运行yolov5程序的感受，总结一下对目标特征参数的预测方法，记录如下。 1 yolov5框架结构 图x-1 yolov5模型框架 图x-1借用江大白的图，做了少许修改，以适应本博文的描述，其细节请看江大佬的文章。此处说明，输入图像为1280x720，根据边长需被32整除，resize为1280x736，在以下的描述中，对应tensor的顺序，输入图像为736x
对于上次YOLO的一些遗留问题做一下解释
马春杰杰·瓦力工作室
06-16 1710
对于上次YOLO的一些遗留问题做一下解释 tianbing010@126.com http://www.cnblogs.com/mcjj 作者：马春杰杰 2017年6月14日22:36:58 博客已迁至[马春杰杰]http://www.machunjie.com/deeplearning/33.html 请移步新博客，谢谢。！ ...
YOLO是如何选出建议框的？
weixin_38241876的博客
06-17 1829
它把框当作是点，随机选9个点作为中心点，然后使用k-means对这些点进行聚类，而这些框呢就是从样本数据中来的。
【个人整理】目标检测框架yolo v1深入剖析
MIss-Y的博客
04-01 3733
前言： faster-RCNN在目标检测精度上已经能够达到一个很高的水准，但是作为RCNN系列的最巅峰，它提出了RPN网络产生推荐性区域，但是它依旧有着一些缺点，这些区域里面有大面积是重合的，影响了计算效率。为了更好地提升目标检测的计算效率，从DPM检测中获得了相关的灵感，于是yolo网络应运而生，现在yolo网络已经有了很多的版本，yolo v1、yolo v2、yolo v3、fast...
YOLO—V1细节分析
AmibitionWei的博客
06-04 4296
        最近看了YOLOV1的论文，论文中很多细节并不清楚。之前看了RCNN系列的论文，也尝试跑了跑Tensorflow复现的代码，最近打算看看YOLO系列的目标检测论文。看了这篇论文后，第一个感觉这个方法速度很快，好像很厉害的样子，然后有一个很大的疑惑就是，这个YOLO到底是怎么提取'region proposal'的，如果你也有这个疑惑，那说明我们都是受RCNN系列的毒太深。YOLO系...
使用PyTorch实现Yolo v1目标检测
本文档详细介绍了如何使用PyTorch框架复现经典的单阶段目标检测算法——You Only Look Once版本1（YOLO v1）。YOLO v1算法以其速度快和准确性较高而著称，适合于实时目标检测应用。 在本文档中，将首先概述YOLO v1...
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