yolo　解读

最新推荐文章于 2024-07-06 11:24:30 发布

qq_23664173

最新推荐文章于 2024-07-06 11:24:30 发布

阅读量191

点赞数

分类专栏： python 文章标签：深度学习

本文链接：https://blog.csdn.net/qq_23664173/article/details/109300830

版权

python 专栏收录该内容

36 篇文章 2 订阅

订阅专栏

yolo v1 预测框坐标解析

预测框　专业叫法　===> （bounding boxs）
输出
一 、 输出为7*7的网格图，共49个小图
二 、 每个小图的维度为  [ 预测框个数　Ｘ　（4 + 1）  + 类别数 ]
		4     	: 	x y w h
		x, y 	: 	预测框中心位置
		ｗ，ｈ	:	预测框宽高

		坐标的计算过程
			x = (回归预测物体ｘ坐标 - 该坐标所在单元格左上角　ｘ 轴坐标) / 单元格宽度
			ｙ = （回归预物体y坐标 - 该坐标所在单元格左上角　ｙ 轴坐标）/ 单元格宽度
			ｗ　＝　回归预物体宽度　/ 预测框宽度
			h　＝　回归预物体高度度　/ 预测框高度

损失函数
yolo 损失函数
损失函数一共有5项
１　中心坐标的损失函数，用了我们最熟悉的均方误差MSE
２　高和宽，没有简单的用MSE，而是用平方根的MSE

在这里插入图片描述
我们只考虑var1和var2在0和1之间。当var1和var2都很小的时候，也即是w和h都很小，意味着这个物体很小，那么我们应该尽量放大一些损失函数，让模型在识别小物体的时候准确一点。当var1和var2都很大，意味着这个物体也很大，甚至可能已经布满整张图片了，这时我么可以减小一些损失函数，毕竟很大的物体不需要很高的精度。