YOLOv1学习与总结

最新推荐文章于 2024-07-19 14:15:46 发布

Fight_Bro

最新推荐文章于 2024-07-19 14:15:46 发布

阅读量401

点赞数

分类专栏：目标检测

本文链接：https://blog.csdn.net/qq_37988883/article/details/103601024

版权

YOLOv1是一种实时物体检测方法，通过统一的检测网络，直接预测边界框坐标、置信度和类别概率。相较于传统方法，YOLO速度更快，但精度略低，尤其在物体定位和相邻物体检测上存在挑战。文章详细介绍了YOLO的网络架构、训练过程、损失函数优化以及NMS非极大值抑制在测试中的应用。

摘要由CSDN通过智能技术生成

https://blog.csdn.net/hrsstudy/article/details/70305791

You Only Look Once:Unified, Real-Time Object Detection
作者提出了一种新的物体检测方法YOLO。YOLO之前的物体检测方法主要是通过region proposal产生大量的可能包含待检测物体的 potential bounding box，再用分类器去判断每个 bounding box里是否包含有物体，以及物体所属类别的 probability或者 confidence，如R-CNN,Fast-R-CNN,Faster-R-CNN等。

YOLO不同于这些物体检测方法，它将物体检测任务当做一个regression问题来处理，使用一个神经网络，直接从一整张图像来预测出bounding box 的坐标、box中包含物体的置信度和物体的probabilities。因为YOLO的物体检测流程是在一个神经网络里完成的，所以可以end to end来优化物体检测性能。

YOLO检测物体的速度很快，标准版本的YOLO在Titan X 的 GPU 上能达到45 FPS。网络较小的版本Fast YOLO在保持mAP是之前的其他实时物体检测器的两倍的同时，检测速度可以达到155 FPS。

相较于其他的state-of-the-art 物体检测系统，YOLO在物体定位时更容易出错，但是在背景上预测出不存在的物体（false positives）的情况会少一些。而且，YOLO比DPM、R-CNN等物体检测系统能够学到更加抽象的物体的特征，这使得YOLO可以从真实图像领域迁移到其他领域，如艺术。

尽管YOLO有这些优点，它也有一些缺点：

1、YOLO的物体检测精度低于其他state-of-the-art的物体检测系统。
2、YOLO容易产生物体的定位错误。
3、YOLO对相互靠的很近的物体（挨在一起且中点都落在同一个格子上的情况），还有很小的群体检测效果不好，这是因为一个网格中只预测了两个框，并且只属于一类。
4、测试图像中，当同一类物体出现的不常见的长宽比和其他情况时泛化能力偏弱
5、由于损失函数的问题，定位误差是影响检测效果的主要原因，尤其是大小物体的处理上，还有待加强。