![](https://img-blog.csdnimg.cn/8aef65dba1bb4b65b5f394ced217384b.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
YOLO系列目标检测算法
文章平均质量分 96
本专栏详细介绍YOLO系列算法,包括官方的YOLOv1、YOLOv2、YOLOv3、YOLOv4、Scaled-YOLOv4、YOLOv7,和YOLOv5,以及美团的YOLOv6,还有PaddlePaddle的PP-YOLO、PP-YOLOv2等,还有YOLOR、YOLOX、YOLOS等。
Mr.小梅
这个作者很懒,什么都没留下…
展开
-
YOLO系列目标检测算法——PP-YOLOE
本文对PPYOLOv2进行了一些更新,包括可扩展的backbone-neck架构、高效的任务对齐head、高级标签分配策略和精确的目标损失函数,这一切的改进形成了PP-YOLOE。同时,提出了s/m/l/x模型,这些模型可以涵盖实际中的不同场景。原创 2022-12-29 16:55:35 · 1591 阅读 · 1 评论 -
YOLO系列目标检测算法——YOLOX
本文介绍了YOLO系列的一些有效的更新,得到了一个名为YOLOX的高性能anchor-free目标检测器。YOLOX配备了一些最新的先进的检测技术,即解耦头,anchor-free,和先进的标签分配策略,YOLOX在所有模型大小的速度和准确性与其他算法之间实现了更好的权衡。值得注意的是,本文将YOLOv3架构在COCO上的准确率提高到了47.3%,比目前的最佳实践高出3.0%。原创 2022-12-20 14:57:42 · 2314 阅读 · 0 评论 -
YOLO系列目标检测算法——YOLOS
YOLOS不是一个高性能的目标检测器,而是为了揭示Transformer从图像识别到目标检测的多功能性和可转移性;本文中探讨了在中型ImageNet-1k数据集上预训练的vanilla ViT在更具挑战性的COCO目标检测基准中的可转移性。证明了二维目标检测可以以纯粹的seq-to-seq的方式完成,并且具有最小的额外归纳偏置。在COCO上的表现还是可以的,这些初步的结果证实其是有意义的,表明Transformer对各种下游任务的可转移性和通用性。原创 2022-12-19 15:09:15 · 1974 阅读 · 1 评论 -
YOLO系列目标检测算法——YOLOR
从一个独特的角度分析问题,人类理解事物可以通过正常的学习(称之为显性知识)或者潜意识地(称之为隐性知识)来学习,就可以从多个角度分析问题,所以考虑让模型也将显性知识和隐性知识一起编码,和人一样;提出了一个可以完成各种任务的统一网络,它通过整合显性知识和隐性知识来学习一般表示,并且可以通过这种一般表示来完成各种任务;在隐性知识学习过程中引入了kernel space alignment、prediction refinement和多任务学习;原创 2022-12-15 17:23:20 · 1727 阅读 · 2 评论 -
YOLO系列目标检测算法——PP-YOLOv2
本文对PP-YOLO进行了一些更新,它形成了一个名为PPYOLOv2的高性能目标检测器;与其他目标检测器,如YOLOv4和YOLOv5相比,PP-YOLOv2在速度和精度之间取得了更好的平衡;在本文中,探讨了一系列技巧,并展示了如何将这些技巧结合在PP-YOLO检测器上,并证明了它们的有效性。原创 2022-12-14 16:29:18 · 1654 阅读 · 0 评论 -
YOLO系列目标检测算法——PP-YOLO
由于硬件的限制,往往需要舍弃准确率来确保算法的推理速度。本文的目的是实现一种具有相对平衡的既有效又高效的目标检测器,可以直接应用于实际的应用场景,而不是提出一种新的检测模型。以YOLOv3为基础进行开发,主要尝试结合现有的各种几乎不增加模型参数和FLOPs的多个的tricks,以尽可能提高检测器的精度,同时确保速度几乎不变。由于本文的所有实验都是基于PaddlePaddle进行的,所以称之为PP-YOLO。原创 2022-12-06 14:23:03 · 2718 阅读 · 0 评论 -
YOLO系列目标检测算法-YOLOv1
本文介绍YOLO系列文章之YOLOv1。YOLO把目标检测当做回归任务,直接预测目标,而不需要多阶段处理。可以说是一阶段目标检测算法的开端。原创 2022-09-29 14:37:58 · 2017 阅读 · 2 评论 -
YOLO系列目标检测算法-YOLOv2
本文介绍YOLO系列文章之YOLOv2。YOLOv2专注于解决YOLOv1中定位错误多、召回率低等缺点。使用多种先进的技术方法应用到YOLO中,通过实验对比结果,最终选用BN、使用高分辨率、全卷积、新的网络结构、通过聚类选择anchor、直接预测检测结果、使用更具细粒度的特征图、多尺度训练这些改进;提出了新的分类网络Darknet-19;另外提出了一种联合训练分类和检测数据的方法,使用此方法,训练得到YOLO9000,可以在缺乏检测标注数据的情况下,也能精准定位目标,可以实时运行并检测9000多种目标类别。原创 2022-09-27 17:09:18 · 3166 阅读 · 2 评论 -
YOLO系列目标检测算法-YOLOv3
本文介绍YOLO系列文章之YOLOv3。YOLOv3在YOLOv2基础上做了一点小小的改动,网络变得稍大了一点但更加准确。改动1,分类使用逻辑回归而不再使用softmax;改动2,多尺度预测目标,共使用3个不同尺度的特征图,能够预测不同尺度的目标;改动3,特征提取网络新增残差连接,层数扩大到53层,命名为Darknet-53。原创 2022-09-27 14:55:10 · 1927 阅读 · 0 评论 -
YOLO系列目标检测算法-YOLOv4
本文介绍YOLO系列文章之YOLOv4。YOLOv4中第一次提出了Neck概念。YOLOv4相当于一个大集合,把优秀的算法、技巧和方法集成在一起。文中总结迄今为止所有的用于神经网络的技巧和方法,分为BoF(只改变训练策略或只增加训练成本,而不增加推理成本的方法)和BoS(那些只会少量增加推理成本,但能显著提高目标检测精度的模块和后处理方法)。并对这些方法进行性能对比,最终选择了一套最佳的组合,即为YOLOv4。原创 2022-09-21 16:58:01 · 1383 阅读 · 0 评论 -
YOLO系列目标检测算法-Scaled-YOLOv4
本文介绍YOLO系列文章之Scaled YOLOv4。Scaled YOLOv4中提出一种网络缩放技术,使得YOLOv4可以上下伸缩,以适用于大型/小型模型。将CSP应用到各式CNN中,可以减少参数和计算量,提高准确性,减少推理时间,因此CSP化了Backbone、neck和SPP;分别分析了对于低端设备和高端设备对模型缩放的研究;使用不同的技术设计了小型、大型模型,都取得了优异的性能。原创 2022-09-21 11:02:49 · 1905 阅读 · 1 评论 -
YOLO系列目标检测算法-YOLOv5
本文介绍YOLO系列文章之YOLOv5。YOLOv5在网络结构,激活函数,各种数据增强策略,训练策略等部分进行修改,以及对检测头Head公式进行完善,得到了很好的检测效果。原创 2022-09-16 17:05:59 · 2258 阅读 · 0 评论 -
YOLO系列目标检测算法-YOLOv6
YOLO系列文章之YOLOv6。本文通过分析以往YOLO系列算法和最新技术,观察到几处需完善的地方,通过对网络设计、标签分配、损失函数、数据增强、工业便利化改进、量化和部署等进行修改,设计了EfficientRep、SCPStackRep Block、Rep-PAN、decoupled head等结构,最终得到了YOLOv6系列算法。原创 2022-09-15 16:10:11 · 10662 阅读 · 0 评论 -
YOLO系列目标检测算法-YOLOv7
YOLO系列文章之YOLOv7。本文提出了一种新的实时目标检测器体系结构和相应的模型缩放方法。在研究过程中,发现了重参数化模块的替换问题和动态标签分配的分配问题。为了解决这个问题,提出了一种可训练的bag-of-freebies,在此基础上,开发了YOLOv7系列目标检测系统.原创 2022-09-13 13:53:28 · 7170 阅读 · 3 评论