YOLO v1原理解析

最新推荐文章于 2023-05-18 09:47:42 发布
最新推荐文章于 2023-05-18 09:47:42 发布
阅读量371 收藏 2
点赞数
分类专栏： 目标检测
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_38675397/article/details/107042551
版权

       目标检测网络兴起的那几年,最火的就是大家所熟知的R-CNN系列,正是因为R-CNN系列是two-stage两阶段的检测网络,所以其检测速度比较慢,这个时候就有大神将two-stage整合成one-stage,设计出了YOLO网络,意思是you only look ones,下面就讲解一下YOLO网络的检测原理

网络结构

YOLO的网络结构很简单,基本的卷积层+最后两个全连接层

               

网络的输入输出

输入:图片,resize成448*448,将图片分成7*7的网格(grid)

输出:经过网络处理后,最终输出7*7*30的矩阵,该矩阵中就包含着网络的预测结果.至于为什么要输出这样尺寸的矩阵,先上图再进行详细讲解

                    

  • 输出的7*7矩阵的每一个点对应的是输入的7*7的一个网格(grid)
  • 输出的7*7矩阵的每一个点,是是一个1*1*30的向量,其中存储着网络对某一个grid的预测结果

                     

前10维储存着两个bounding box的位置信息(2*4)+置信度(2*1),后20维储存着对20个类别的预测概率

  • bounding box的位置表示

       bounding box需要4个数值来表示其位置，(Center_x,Center_y,width,height)

  • bounding box的置信度

      置信度计算公式如下:

                           

      表示的是预测框和真实框的IOU,指的是该框包含物体的概率,并不是对每个类别进行分类预测,可以理解为前景和背景的预测.

网络训练

        知道了YOLO的网络结构和输入输出,那么YOLO是如何进行训练的呢?网络训练需要两点:物体的真实标签和计算真实标签与预测值误差的损失函数.

物体真实标签的构造

       如下图所示,真实物体的边界框的中心点在哪个grid中,则该grid负责物体的预测.因此需要对该grid构造标签

                                             

以自行车为例,自行车的中心点落在了3行4列的grid中,则该grid的标签应该设置如下

  • 20个对象的分类概率

       自行车的中心点落在了3行4列的grid,则代表自行车类别的概率为1其他为0

  • 2个bounding box位置

      有两个存储自行车边框位置的区域,那么怎么确定要填在哪个区域呢?答案是训练过程中动态确定:网络对两个bounding box输出预测位置,哪个bounding box与自行车边框的IOU大就将自行车真实边框放在哪个区域.上图假设bounding box1与自行车真实边框的IOU大,所以边框坐标填在了两个黄色区域的第一个

  • 2个bounding box的置信度

      根据上面自行车真实边框动态确定在bounding box1,那么对应的其置信度就为了,bounding box2的置信度自然为0

损失函数

       网络损失就是预测结果与真实标签的偏差,如下图所示

     YOLO的损失函数设计如下

网络预测

       网络训练好之后,对于一个新的图像,经过网络的处理,最后输出一个7*7*30的矩阵,到这里还没有结束,YOLO采用NMS（Non-maximal suppression，非极大值抑制）算法去除大量重叠率高的预测框

NMS步骤如下：
1）设置一个Score的阈值，低于该阈值的候选对象排除掉（将该Score设为0）
2）遍历每一个对象类别
 2.1）遍历该对象的98个得分
  2.1.1）找到Score最大的那个对象及其bounding box，添加到输出列表
  2.1.2）对每个Score不为0的候选对象，计算其与上面2.1.1输出对象的bounding box的IOU
  2.1.3）根据预先设置的IOU阈值，所有高于该阈值（重叠度较高）的候选对象排除掉（将Score设为0）
  2.1.4）如果所有bounding box要么在输出列表中，要么Score=0，则该对象类别的NMS完成，返回步骤2处理下一种对象
3）输出列表即为预测的对象

-----------------------------------------------------------------------------------------------------------------------------------------------------------

补充说明

之前一直不太理解为什么某一个grid可以预测比其尺寸大很多的物体,最近感觉想通了,给出自己的理解.

  • 图片分成网格,只是为了训练时确定物体的中心点位置,而训练图像本身并不是真的切分成网格输入网络的
  • conv层和pooling层都有读取并整合中心点周围的信息,随着一层层的深入,其读取并整合的信息就像水面的涟漪一样,覆盖范围逐渐向外扩散(随网络变深感受野逐渐变大也是同理),所以代表某一个grid的最终输出其实是包含grid周围一定范围内的信息的
追逐AI的蜗牛
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
YOLOv1-Tensorflow:YOLOv1检测过程的Tensorflow实现
04-30
YOLOv1-Tensorflow 声明： 更详细的代码解读. 欢迎关注. 运行环境： Python3 + Tensorflow1.5 + OpenCV-python3.3.1 + Numpy1.13 windows和ubuntu环境都可以 准备工作： 请在下载训练好的模型YOLO_small.ckpt，并放到同一文件夹下 文件说明： 1、yolo1_tf.py：程序文件 2、boxes.txt：检测结果的类别和边界框坐标 运行yolo1_tf.py即可得到效果图： 1、car.PNG：输入的待检测图片 2、detected_image.jpg：检测结果可视化
YOLO v1 原理深度讲解
qq_42504905的博客
05-18 585
首先来看，yolo算法是一个one-stage的算法，即一步直达，所以速度非常快，适合做实时检测。缺点就是没有那么精确。 有一个概念MAP：这个指标是为了去衡量综合的检测效果。 这里牵扯到另一个概念就是召回率： 关于预测结果我们可以分为四类： TP(真阳性) 预测为真的样本中确实为真的数量。 FP(假阳性) 预测为真的样本中确实为假的数量。 FN(假阴性) 预测为假的样本中确实为真的数量。 TN(真阴性) 预测为假的样本中确实为假的数量。 举个例子来说明 预测某些病人有没有得癌症。 假设有100个样本，真
yolo v1原理
cjnewstar111的专栏
06-28 609
目标检测系列文章 yolo v1原理：https://blog.csdn.net/cjnewstar111/article/details/94035842 yolo v2原理：https://blog.csdn.net/cjnewstar111/article/details/94037110 yolo v3原理：https://blog.csdn.net/cjnewstar111/articl...
【YOLO系列】YOLO.v1算法原理详解
deepsprings的博客
08-08 2053
详细介绍了yolo系列目标检测算法的原理和发展过程。
【目标检测】(5) YOLOV1 目标检测原理解析
博观而约取，厚积而薄发
03-27 5703
各位同学好，今天和大家分享一下YOLOV1目标检测的原理。 1. 预测阶段--前向传播 预测阶段就是在模型已经成功训练之后，输入未知图片，对图片预测。此时只需要前向传播运行这个模型。 流程如下图，模型输入图像的shape为 [448,448,3]，经过若干个卷积层和池化层，输出特征图的shape为 [7,7,1024]；再将这个特征图拉平放到有4096个神经元的全连接层中，输出 4096 维的向量；再将该向量输入至 1470 个的神经元的全连接层中，输出 1470 维的向量；最后将该向量reshape
YOLO V1-V7思想理论笔记
10-25
2023.10.25 有关于yolo系列理论的纸质笔记存档 笔记主要是记录视频BV11K41167Ar 不清楚的部分不重要，不必细究。
[目标检测]YOLO原理
02-24
本文来自于简书，本文主要介绍了对YOLO原理进行目标检测，以及yolov2网络结构为全卷积网络FCN，希望对您的学习有所帮助。创新点：端到端训练及推断+改革区域建议框式目标检测框架+实时目标检测1.1创新点(1)改革了...
yolotfjs-yolo、yolo v3和Tiny yolo v1、v2、v3与Tensorflow.js
最新发布
03-27
【yolo】tfjs-yolo、yolo v3和Tiny yolo v1、v2、v3与Tensorflow.js 说明：tfjs-yolo、yolo v3和Tiny yolo v1、v2、v3与Tensorflow.js (tfjs-yolo,YOLO v3 and Tiny YOLO v1, v2, v3 with Tensorflow.js) 文件列表: ...
基于pytorch的yolo_v1
10-09
pytorch实现的yolo_v1，数据集使用VOC2012，我们只造最精致的轮子！如果你在运行过程中有任何问题，都可以评论或者私信我。
YOLO V1 论文高清
04-24
YOLO目标识别V1第一篇论文，学习之后再看YOLO9000和YOLOV3更加深入
yolo v1 v2 v3 论文及代码实现
05-06
yolo v1 v2 v3 三篇论文及具体代码实现。 由于太大，放置到了百度云盘。资源为云盘链接，已设置永久，如失效可联系 注：解压后参见readme.txt，有具体的执行步骤
YOLOv1的检测原理是什么
乐观的lishan的博客
06-07 520
问题1：YOLOv1的检测原理是什么？ 将图片分成S×S（论文中是7×7）的网格（grid），每一个具体的网格块（grid cell）就负责检测一个物体（object），所以YOLOv1在每张图片中最多能检测到S×S（论文中是49）个物体。对于大多数图片来说，这已经足够，通常在一张图片中能够有10个以上的主要目标就已经不常见了，但对于比较密集的人群或畜群来说，YOLOv1的检测能力就比较差。 每个网格块（grid cell）都对物体预测了B（论文中是2）个矩形边框（bounding boxes），这个边
YOLO v1原理总结
chaojianmo的博客
05-07 462
论文原文：https://arxiv.org/pdf/1506.02640.pdf 1 网络结构 1）结构 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。 2）输入和输出的映射关系 ...
YOLO V1原理详解
weixin_51691064的博客
05-18 3355
🎏目录YOLO系列是=一阶段目标检测算法（其中YOLO v1—YOLO v5基于Anchor based，从YOLO v6开始基于Anchor Free）。与以Faster R-CNN为代表的二阶段算法相比，一阶段算法不需要region proposal阶段，直接产生物体的类别概率和位置坐标值。因此，一阶段算法有更快的检测速度。但是一个网格（grid）只预测有限个bbox，覆盖率较低，精度相较于二阶段算法较低。
YOLOv1原理详解---训练 & 测试
weixin_40092412的博客
06-01 3451
YOLOv1原理详解---训练 & 测试YOLOv1原理论文简要解读训练测试如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 YOLOv1原理 论文简要解...
算法原理-YOLO v1
weixin_40375871的博客
06-18 132
一、Yolo v1介绍 如R-CNN,Fast-R-CNN,Faster-R-CNN等方法主要是通过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，。 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
YOLO v1检测原理
牧野的博客
08-11 5795
YOLO v1论文地址： You Only Look Once: Unified, Real-Time Object Detection   YOLO v1检测原理 YOLO v1之前的RCNN系列目标检测算法，其本质仍是一个分类问题，基本思路是通过滑窗在图像上滑动，遍历完整个图像，分别判断窗口图像的分类，再通过回归方法调整物体精确边框，达到检测和定位的目的。其后改进的fast-RCNN系...
目标检测系列2——yolov1原理与实现
xiaotiig的博客
12-27 721
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v5版本，不过新版本也是在原有版本基础上不断改进演化的， yolo1 原理1.1 基础知识1.2 yolo原理1.2.1 分类原理1.2.2 yolo0.1版本1.2.3 yolo0.5版本1.2.4 yolo0.8版本1.2.5 yolo1.0版本1.2.6 问题2 yolo框架 1 原理 1.1 基础知识 （1）卷积过程中特征图的大小在变化，但是
Yolo V1原理及应用
SerendipityZYS的博客
10-05 340
YOLO的CNN网络将输入的图片分割成网格，每个单元格负责去检测那些中心点落在该格子内的目标，如图所示，可以看到车这个目标的中心落在右下角一个单元格内，那么该单元格负责预测这个车。 每个单元格会预测B个边界框（bounding box）以及边界框的置信度（confidence score） 所谓置信度其实包含两个方面，一是这个边界框含有目标的可能性大小，二是这个边界框的准确度，置信度可以定义为 前者记为Pr(object)，当该边界框是背景时（即不包含目标）为0，当该边界框包含目标时为1. .
yolo v1的优点与缺点
03-22
YOLO（You Only Look Once）是一种实时目标检测算法，YOLO v1是其第一个版本。下面是YOLO v1的优点和缺点： 优点： 1. 实时性：YOLO v1以极快的速度进行目标检测，可以在实时视频中实现高效的目标检测。 2. 简单高效：YOLO v1采用单个神经网络模型，将目标检测问题转化为一个回归问题，使得算法简单高效。 3. 全局信息：YOLO v1在整个图像上进行预测，可以捕捉到全局的上下文信息，有利于准确地定位和分类目标。 4. 多尺度特征融合：YOLO v1通过将不同尺度的特征图进行融合，可以更好地处理不同大小的目标。 缺点： 1. 定位不准确：由于YOLO v1将目标检测问题转化为回归问题，导致定位不够精确，无法准确地预测目标的边界框。 2. 小目标检测困难：YOLO v1在小目标的检测上表现较差，因为小目标的特征往往被分辨率较低的特征图所丢失。 3. 类别不平衡问题：YOLO v1在训练时对于不同类别的目标数量不平衡问题处理不够好，导致一些少见的类别难以被准确检测。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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