【7】目标检测之YOLO v4

最新推荐文章于 2024-04-28 15:13:48 发布
最新推荐文章于 2024-04-28 15:13:48 发布
阅读量260 收藏 3
点赞数
分类专栏： 深度学习 目标检测 文章标签： 深度学习
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/qq_16009377/article/details/124305603
版权

这里写目录标题

优化策略

Eliminate grid sensitivity 消除grid的敏感性

在yolov3中，边界框的计算公式为

在这里插入图片描述
在这里插入图片描述
导致只有tx，ty取很大值的时候，bx和by才能落在边界上。因此优化了边界框的计算公式，使得bx和by的取值范围更加合理。
在这里插入图片描述

Mosaic data augumentation Mosaic数据增强

Yolov4中使用的Mosaic是参考2019年提出的CutMix数据增强的方式，但CutMix只使用了两张图片进行拼接，而Mosaic数据增强则采用了4张图片，随机缩放，随机裁剪，随机排布的方式进行拼接。
在这里插入图片描述

IOU threshold(match positive samples)

优化了正样本的匹配机制，增加了搜索正样本的grid cell个数，将grid cell中满足IOU大于阈值的先验框都看做正样本。
在这里插入图片描述

在这里插入图片描述
##CIoU loss
使用CIoU loss作为box位置的损失。
在这里插入图片描述

网络结构

Backbone:CSPDarknet53
Neck:SPP,PAN
Head:yolov3
在这里插入图片描述

知识点

CSPDarknet53

CSPDarknet53是在Yolov3主干网络Darknet53的基础上，借鉴2019年的CSPNet的经验，产生的Backbone结构，包含了5个CSP模块。CSPDarknet53的结构如下所示，起到了增强学习能力、降低了计算瓶颈、减少显存使用的作用。
在这里插入图片描述

CBNM

由Conv2d,BatchNorm,Mish三个部分组成
在这里插入图片描述

ResBlock

由两个ConvBNMish和shortcut组成
在这里插入图片描述

SPP结构

SPP实现了多尺度融合
在这里插入图片描述

FPN+PAN结构

在YOLOv4中， FPN+PAN结构产生了三个特征图用作预测，PAN结构中的addshiyongconcate进行替换。

在这里插入图片描述
在这里插入图片描述

损失函数

训练方法

mohoooooo
关注
专栏目录
【目标检测-YOLO】YOLO v4 总结（第四篇）
博观约取，厚积薄发
03-14 5084
目标检测算法(YOLOv4)_Victory_gx的博客-CSDN博客_giou loss YOLO-从零开始入门目标检测 - 知乎 睿智的目标检测30——Pytorch搭建YoloV4目标检测平台_Bubbliiiing的学习小课堂-CSDN博客_yolov4目标检测 增强CNN学习能力的Backbone:CSPNet - 知乎 YOLOv4特征提取网络——CSPDarkNet结构解析及PyTorch实现 - 知乎 YOLOv4 介绍及其模型优化方法 - 知乎 深度学习之学习（..
YOLOv4目标检测
01-03
YOLOv4目标检测,介绍YOLOv4使用方法，训练
目标检测之YOLOv4
qq_41917697的博客
01-01 2556
目标检测之YOLOv4框架技巧Trick/优化1.BoF2.BoSYOLO V4 论文地址：YOLOv4: Optimal Speed and Accuracy of Object Detection 源代码：https://github.com/AlexeyAB/darknet，原作者YOLO V4的代码是基于C++的 pytorch实现： https://github.com/GZQ0723/YoloV4 https://github.com/Tianxiaomo/pytorch-YOLOv4 YOLO
一文了解YOLO-v4目标检测
周红伟讲AI
05-15 4146
一、YOLO-v4主要做了什么？ 通俗的讲，就是说这个YOLO-v4算法是在原有YOLO目标检测架构的基础上，采用了近些年CNN领域中最优秀的优化策略，从数据处理、主干网络、网络训练、激活函数、损失函数等各个方面都有着不同程度的优化，虽没有理论上的创新，但是会受到许许多多的工程师的欢迎，各种优化算法的尝试。文章如同于目标检测的trick综述，效果达到了实现FPS与Precision平衡的目标检测 new baseline。 ①论文主要有以下三点贡献：[1] 开发了一个高效而强大的模型，使得任何人都可以
目标检测——Yolov4
zyw2002的博客
02-17 1922
文章目录Bag of freebies(BOF)数据增强网络正则化的方法类别不平衡，损失函数设计Bag of specials(BOS)SPPNet(Spatial Pyramid Pooling)CSPNet（Cross Stage Partial Network）CBAM（Convolutional Block Attention Module）PAN(Path Aggregation Network)激活函数Misheliminate grid sensitivity整体网络架构 Bag of fre
目标检测算法——YOLOv4
Clichong
06-18 3357
以下内容如有错误，恳请指出 以下先回顾一下之前的笔记总结： YOLOv1：目标检测算法——YOLOv1 YOLOv2：目标检测算法——YOLOv2 YOLOv3：目标检测算法——YOLOv3 在前面的目标检测算法笔记中，已经介绍了YOLOv1，v2，v3的版本，其中本来还想记录一下YOLOv3的一些改进版本的，比如：YOLOv3-SPP，SlimYOLOv3， YOLOv3-SPP-Ultralytics。通过学习了一些b站的相关讲解视频与一些相关的博客，也知道了这些版本的一点区别。 以下对YOLOv3.
项目采用 YOLO V4 算法模型进行目标检测，使用 Deep SORT 目标跟踪算法。.zip
最新发布
09-05
由于各类物体具有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题： 分类问题：判断图像中的目标...
Yolo实现目标检测
nulimoyu的博客
04-28 1456
YOLO (You Only Look Once)是一种实时目标检测算法，YOLO v4是其第四个版本。它使用单个神经网络来同时预测多个物体的边界框和类别。YOLO v4通过引入一些新的技术和优化来提高检测性能和速度，如使用更大的模型、改进的骨干网络、更高效的数据增强和训练技巧等。
目标检测模型YOLO V9 OBB
06-04
YOLO V9 OBB是一个基于YOLO（You Only Look Once）目标检测框架的改进版本，主要特点是增加了对倾斜或旋转目标的检测能力。在传统的矩形框（BBox，Bounding Box）目标检测中，对象被假设为完全由矩形边界框包围，而...
12-7-3 yolo v4 检测测试（黑屏）1
08-08
YOLOv4是一种高效且准确的目标检测模型，全称为"You Only Look Once"的第四代版本。这个模型在计算机视觉领域非常流行，因为它能在保持高精度的同时实现快速的检测速度。在进行YOLOv4的检测测试时，我们通常会遵循一...
WIN10+YOLOv4目标检测.pdf
08-18
WIN10+YOLOv4，windows上完美执行YOLOv4目标检测 1 软件安装 2 配置YOLOv4环境 3 目标检测
008 基于YOLOv4的目标检测系统
2201_75291175的博客
06-07 247
常用包括车辆、行人、飞机、轮船、猫、狗、马、鸟、羊、自行车、瓶、椅子、火车、沙发、餐桌、电视机、盆栽植物等几十个类别进行检测和识别。）加载图像进行检测：可以选择图像进行目标检测，系统将检测和识别后的结果标注在图像上并在界面上自动展示。）加载视频进行检测：可以选择视频进行目标检测，系统将检测和识别后的结果标注在视频上并在界面上自动展示。检测网络作为核心模型，可用于对车辆、行人、飞机、轮船、猫、狗等几十种类别进行检测和识别，并在。界面的背景、按钮等，界面的操作和相关的代码都有详细的注释。界面中将结果可视化。
YOLO v4 实现目标检测详细教程
m0_65029059的博客
04-17 2907
YOLOv4，作为物体检测领域的杰出代表，以其卓越的性能和广泛的应用受到了广泛关注。本文将详细解析YOLOv4的原理，带您深入了解其背后的技术原理和设计思路。
基于深度学习神经网络YOLOv4目标检测的口罩识别系统
修行之路
01-24 859
基于深度学习神经网络YOLOv4目标检测的口罩识别系统
初学YOLOv4
Orange_sparkle的博客
07-08 445
创新点：1.CSPDarknet-532.PAN3.Eliminate grid sensitivity4.optimizered anchor5.IOU threshold（match positive samples）正样本匹配首先是CSP网络的优点如下图 下图是CSP结构在CSPDarknet中的体现。 下图是YOLOv4的backbone--CSPDarknet的网络结构。相当于在FPN的基础上又做了一个自下而上的结构，也就是先对backbone中的特征层进行FPN将深层语义信息融合进低层特征层，又
YOLO系列（YOLOv1-YOLOv5）算法详细介绍和总结
白羊by的博客
06-24 8260
YOLO系列（YOLOv1-YOLOv5）算法详细介绍和总结
【目标检测】—— YOLO V4
weixin_42454048的博客
06-29 4318
1. YOLO V4算法分析 1.1 网络结构图 Yolo v4的结构图和Yolo v3相比，多了CSP结构，PAN结构。 蓝色框中为网络中常用的几个模块： CBM：Yolo v4网络结构中的最小组件，其由Conv（卷积）+ BN + Mish激活函数组成。 CBL：Yolo v4网络结构中的最小组件，其由Conv（卷积）+ BN + Leaky relu激活函数组成。 Res unit：残差组件，借鉴ResNet网络中的残差结构，让网络可以构建的更深。 CSPX：借鉴CSPNet网络结构，由三个CBM卷积
【目标检测】YOLOV4详解
qq_38375203的博客
06-30 4010
前面讲完了V1、V2、V3，其中YOLOV4 和V3的网络区别就是多了CSP和PAN结构，以及一个SSP。贴一下网络结构图。 首先介绍一下网络结构中出现的各种组件。CBM：是由Conv+BN+Mish激活函数组成，和V3不同的是这里的激活函数由Leaky_relu换成了Mish。CBL：这个组件就是YOLOV3中的最小组件，但是在这里V4 将CBL放在了Neck模块里，并没有放在Backbone。Res unit：借鉴Resnet网络中的残差结构，让网络可以构建的更深。CSPX：借鉴CSPNet网络结构，由
YOLOv4目标检测：原理与源码解析
06-26
需要学习Windows系统YOLOv4的同学请前往《Windows版YOLOv4目标检测实战：原理与源码解析》，课程链接 https://edu.csdn.net/course/detail/29865【为什么要学习这门课】 Linux创始人Linus Torvalds有一句名言：Talk is cheap. Show me the code. 冗谈不够，放码过来！  代码阅读是从基础到提高的必由之路。尤其对深度学习，许多框架隐藏了神经网络底层的实现，只能在上层调包使用，对其内部原理很难认识清晰，不利于进一步优化和创新。YOLOv4是最近推出的基于深度学习的端到端实时目标检测方法。YOLOv4的实现darknet是使用C语言开发的轻型开源深度学习框架，依赖少，可移植性好，可以作为很好的代码阅读案例，让我们深入探究其实现原理。【课程内容与收获】 本课程将解析YOLOv4的实现原理和源码，具体内容包括：- YOLOv4目标检测原理- 神经网络及darknet的C语言实现，尤其是反向传播的梯度求解和误差计算- 代码阅读工具及方法- 深度学习计算的利器：BLAS和GEMM- GPU的CUDA编程方法及在darknet的应用- YOLOv4的程序流程- YOLOv4各层及关键技术的源码解析本课程将提供注释后的darknet的源码程序文件。【相关课程】 除本课程《YOLOv4目标检测：原理与源码解析》外，本人推出了有关YOLOv4目标检测的系列课程，包括：《YOLOv4目标检测实战：训练自己的数据集》《YOLOv4-tiny目标检测实战：训练自己的数据集》《YOLOv4目标检测实战：人脸口罩佩戴检测》《YOLOv4目标检测实战：中国交通标志识别》建议先学习一门YOLOv4实战课程，对YOLOv4的使用方法了解以后再学习本课程。【YOLOv4网络模型架构图】 下图由白勇老师绘制  
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