Yolov5中的Anchor理解

于 2024-10-07 09:52:48 发布
阅读量38 收藏
点赞数 1
文章标签： 机器学习 算法 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/qq_34425255/article/details/142736025
版权

anchor是一种先验框，就是用先验知识所描绘的框，可以用聚类等无监督学习的方法求取

在我眼里 anchors 就像是一类语义的集合，每个anchor都是对在无监督学习下的某一簇(类)的代表，如果数据的样本分布接近总样本分布的话，那么这个anchor就是对样本的先验知识了。先验知识对机器学习的作用是巨大的，作者认为，目前深度学习上的对模型结构的改造，或者是各种trick，本质上都是融入了样本的先验知识，例如CNN的图像分类效果明显优于一个简单的神经网络，是因为卷积核学习可以很好的图像的边缘等知识，很多个卷积核又能加强总体的语义知识，而作者认为正是这种卷积核有相当于添加先验知识(边缘知识等)的作用，这样就能更好的分辨出到底处于哪种模式了。

https://zhuanlan.zhihu.com/p/392976529

鱼儿会飞吗
关注
YOLOv3中anchor机制的理解
苏打水的杯子的博客
11-14 1万+
1、为什么要引入anchor机制？ 如下图人和车的中心点都位于同一网格grid_8中，如果没有anchor机制的话，grid_8就存在属于哪一类的问题，如果属于车类，那只能用来预测车，人类就会被忽略，如果属于人类，那么车类将会被忽略。为了解决同一网络属于两个类的问题，引入了anchor机制，一个grid可以有三个anchor（对于yolo3）,图中的紫色框为anchor,那么横着的anchor框...
YOLOv3中Anchor理解
奔跑的小仙女
10-18 2万+
首先可以把anchor理解为：多尺度滑动窗口。 传统的检测过程是： 1、生成图像金字塔，因为待检测的物体的scale是变化的。 2、用滑动窗口在图片的特征金字塔上面滚动生成很多候选区域。 3、各种特征提取hog和分类器svm来对上面产生的候选区域中的图片信息来分类。 4、NMS非极大值抑制得到最后的结果。 但由于cnn具有强大的提取特征的能力，可以替代第三步，但第一第二步独立于cnn之...
yolov5 自动anchor计算
sunnygirl's house
05-13 7549
早在yolov2时就了解到不同于faster-rcnn中手动设置的anchor，yolov2中的 anchor是通过k-means聚类算法得的，这样更贴合实际的训练数据。这次借学习yolov5的机会把其中关于自动anchor计算的逻辑再梳理一遍，重点就是分析一下utils/autoanchor.py文件的相关函数。除非显示地设置noautoanchor参数为True，否则训练过程中默认会使用自动 anchor 计算，即调用check_anchors函数。 .... if not opt.noaut..
yolov5中的初始anchor理解笔记
Vertira的博客
10-17 3163
yolov5中的初始anchor理解笔记
YOLOv5网络详解
热门推荐
霹雳吧啦Wz
03-20 23万+
在前面我们已经介绍过了YOLOv1~v4的网络的结构，今天接着上次的YOLOv4再来聊聊YOLOv5，如果还不了解YOLOv4的可以参考之前的博文。YOLOv5项目的作者是Glenn Jocher并不是原Darknet项目的作者Joseph Redmon。并且这个项目至今都没有发表过正式的论文。之前翻阅该项目的issue时，发现有很多人问过这个问题，有兴趣的可以翻翻这个issue #1333。作者当时也有说准备在2021年的12月1号之前发表，并承诺如果到时候没有发表就吃掉自己的帽子。...
yolov3 anchor 理解
luoganttcc的博客
04-22 1938
yolov3 中的anchor 的框框是在训练集中聚类所得，在yolov3 中每个格子有9个anchor mask52= [0,1,2] mask26= [3,4,5] mask13= [6,7,8] anchors=[ 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326] yolov3 有9个anchor 点 #!/usr/bin/env python3 # -*- codin
YOLOv5模型网络结构简单理解及详解anchor设置
aabbcccddd01的博客
11-09 4万+
YOLOv5模型网络结构理解及anchor设置写在前面Yolov5网络结构anchor（锚框）计算与设置详解 写在前面 作者最近在做一些目标检测的竞赛，参加了火箭军智箭火眼人工智能挑战赛，科目一排名28，科目二排名23，提升不上去了????。在这个过程中看见了yolov5这个模型的性能以及准确率是这么的优秀，于是果断采用了这个模型作为我们的baseline，当然在这不停的炼丹过程中，遇到了很多的问题，也学习到了很多的新知识。这里把自己遇到的网络结构理解与anchor设置方面的问题分享给大家，供大家参考，本人
yolov3中的Anchor Box理解
OneBaBa的专栏
09-03 4449
首先可以把anchor理解为：多尺度滑动窗口。 传统的检测过程是： 1、生成图像金字塔，因为待检测的物体的scale是变化的。 2、用滑动窗口在图片的特征金字塔上面滚动生成很多候选区域。 3、各种特征提取hog和分类器svm来对上面产生的候选区域中的图片信息来分类。 4、NMS非极大值抑制得到最后的结果。 但由于cnn具有强大的提取特征的能力，可以替代第三步，但第一第二步独立于cnn之外的，需要大量循环，速度也限制了，因此要更好的定位，需要更多的scale和radio不同窗口，但又增加了时间。而
Anchor机制小结：Yolov1~Yolov5
chairon的博客
04-16 2981
1. Anchor定义 就是一个多尺度的滑动窗口，在特征图上的每个cell上生成不同尺寸、不同高宽比的Anchor，也叫先验框 为什么要引入多种比例的Anchor？ 物体检测：一些候选区域进行分类和回归的问题。检测目标的大小、形状各不相同 2. Anchor工作过程 以YOLOv5为例，利用k-means根据数据集中目标主要分布的长宽尺度聚类出来的一组Anchor。 anchor4个值： x1,y1,x2,y2表矩形左上和右下角点坐标。 聚类生成3种尺度，每组尺度有3种长宽比为：1:1,1:2,2:1
结合具体代码理解yolov5-7.0锚框（anchor）生成机制
qq_44442727的博客
06-19 6461
在yolov5s中，anchors是通过register_buffer()函数把预设的锚框尺度信息作为参数注册到最后的Detect网络层中。因为目标的位置信息是 锚框参数 乘以 特征图数据 得到，所以网络预测的是一种相对锚框的位置信息，可以理解成是锚框的位置偏移量，网络通过学习预设锚框针对目标的位置偏移量来实现目标的类别识别和位置预测。
yolov5_caffe-源码
09-04
YOLOv5的核心在于其快速的目标检测能力，通过使用基于锚点（anchor）的机制来预测边界框，并且采用了Focal Loss减少分类不平衡问题。模型架构包括多个卷积层、批归一化层和激活函数，如Leaky ReLU，以及空间金字塔...
yolov5六个版本的训练模型
04-25
1. **YOLOv5架构**：YOLOv5的核心是基于卷积神经网络（CNN）的目标检测模型，它采用了一种名为“锚框”（Anchor Boxes）的方法来预测图像中的物体位置和大小。相比早期的YOLO版本，YOLOv5进行了多方面的优化，包括...
YOLOv5中的Anchor Box理解与应用
YOLOv5简介 在目标检测领域，YOLO（You Only Look Once）算法一直是备受关注的经典算法之一。而YOLOv5作为YOLO系列的最新版本，在实时性和检测精度上有了明显的提升，备受瞩目。 #### YOLO算法概述 YOLO算法是一...
理解yolov3的anchor、置信度
qq_33287871的博客
06-05 4158
在网络最后的输出中，对于每个grid cell(网格单元)产生3个bounding box，每个bounding box的输出有三类参数：一个是对象的box参数，一共是四个值，即box的中心点坐标（x,y）和box的宽和高（w,h）;一个是置信度，这是个区间在[0,1]之间的值；最后一个是一组条件类别概率，都是区间在[0,1]之间的值，代表概率。 假如一个图片被分割成S∗S个grid cell，我们有B个anchor box，也就是说每个grid cell有B个bounding box, 每个boundin
机器学习基本上就是特征工程——《特征工程训练营》
清图出版
09-30 313
优秀的特征工程能够产生更高效的数据集，使我们能够采用更快速、更小的模型，而不是依赖于通过混乱数据训练出来的缓慢而复杂的模型。更应该关注以数据为中心的机器学习方法。作为机器学习流程的一部分，特征工程是对数据进行转化以提高机器学习性能的艺术。特征工程的四个步骤包括特征理解、特征结构化、特征优化和特征评估。特征优化--为了尽可能地从数据中提取信号和模式。特征结构化--为了在机器学习中有效组织数据。● 用非结构化数据构建ML(机器学习)流程。特征评估--根据机器学习调整特征工程。特征理解--为了更好地解释数据。
机器学习中的聚类
m0_68676142的博客
09-29 778
聚类是无监督学习中的重要任务，旨在将数据集划分为若干个子集（簇），使得同一簇内的样本相似度高而不同簇间的样本相似度低。本周学习了聚类的性能度量指标，包括内部和外部指标，如Jaccard系数、Rand指数、DB指数等，并介绍了几种常见的距离计算方法。此外，深入学习了几种原型聚类算法：k均值、学习向量量化(LVQ)以及高斯混合模型(GMM)，并以K-means算法为例，通过鸢尾花数据集进行了实战演示。本周学习了机器学习中聚类任务的基础概念与主要方法，强调了在无监督场景下发现数据内在结构的重要性。
机器学习课程学习周报十五
weixin_51454889的博客
10-06 745
本周的学习涵盖了统计推断和贝叶斯推断的基本概念，深入探讨了高斯混合模型中的EM算法及其有效性证明。此外，还介绍了马尔可夫链蒙特卡罗方法中的蒙特卡罗法及其应用。最后，通过Diffusion模型中的马尔可夫链，理解了如何实现图像生成的降噪过程。本周完善了上周学习的EM算法，并且开始学习马尔可夫链蒙特卡罗法，马尔可夫链在Diffusion模型中有特别重要的应用。接来的一周将从理论继续学习马尔可夫链蒙特卡罗法，并结合着实际应用中的Diffusion模型进行参照。
机器学习系列篇章0 --- 人工智能&机器学习相关概念梳理
xhblair的博客
10-06 896
本文作为机器学习专栏的第一篇文章，对 AI相关的概念以及机器学习的一些基础知识做了梳理和介绍
【机器学习】知识总结1（人工智能、机器学习、深度学习、贝叶斯、回归分析）
最新发布
FHY26828的博客
10-06 577
M-P 神经元模型由神经生理学家沃伦·麦卡洛克（Warren McCulloch）和数学家沃尔特·皮茨（Walter Pitts）于1943年提出。它是最早的数学神经元模型，旨在模拟生物神经元的工作方式，用来处理多输入单输出的信息。模型描述特点应用场景单层感知器最简单的线性分类器，由弗兰克·罗森布拉特提出只能处理线性可分的问题，结构简单，计算量小简单分类任务多层感知器（MLP）在输入层和输出层之间加入了若干隐藏层，增加非线性能力可以处理复杂的非线性问题，通过反向传播进行训练。
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