YOLO v1

最新推荐文章于 2022-09-06 15:07:33 发布
最新推荐文章于 2022-09-06 15:07:33 发布
阅读量398 收藏
点赞数
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_41375318/article/details/102230000
版权

1.视频教程：
B站、网易云课堂、腾讯课堂
2.代码地址：
Gitee
Github
3.存储地址：
Google云
百度云：
提取码：

什么是置信度，置信度表示检测框检测的物体，是前景还背景的可能性，即是否含有目标物体的可能性
置信度的loss，往往由两部分组成，一是含有物体的loss，二是不含物体的loss，将两者分开，是因为要降低不含物体检测框的loss,因为此类检测框太多了，不进行分离，降低比例，会造成其他loss，无效化

《You Only Look Once:Unified,Real-Time Object Detection》
—你只看一次的神经网络图像检测算法
作者：Joseph Redmon ,etc
单位：华盛顿大学
发表会议及时间：IEEE 2016
Submission history
From: Joseph Redmon [view email]
[v1] Mon, 8 Jun 2015 19:52:52 UTC (5,267 KB)
[v2] Tue, 9 Jun 2015 07:51:14 UTC (5,267 KB)
[v3] Thu, 11 Jun 2015 19:21:47 UTC (5,267 KB)
[v4] Thu, 12 Nov 2015 22:53:44 UTC (4,483 KB)
[v5] Mon, 9 May 2016 22:22:11 UTC (14,934 KB)

  • Abstract
    We present YOLO, a new approach to object detection. Prior work on object detection repurposes classifiers to perform detection. Instead, we frame object detection as a regression problem to spatially separated bounding boxes and associated class probabilities. A single neural network predicts bounding boxes and class probabilities directly from full images in one evaluation. Since the whole detection pipeline is a single network, it can be optimized end-to-end directly on detection performance.
    Our unified architecture is extremely fast. Our base YOLO model processes images in real-time at 45 frames per second. A smaller version of the network, Fast YOLO, processes an astounding 155 frames per second while still achieving double the mAP of other real-time detectors. Compared to state-of-the-art detection systems, YOLO makes more localization errors but is far less likely to predict false detections where nothing exists. Finally, YOLO learns very general representations of objects. It outperforms all other detection methods, including DPM and R-CNN, by a wide margin when generalizing from natural images to artwork on both the Picasso Dataset and the People-Art Dataset.

yolov1在当时的优缺点：

  • 速度快
    把检测作为回归问题处理流程简单，仅需输入一张图
  • 泛化能力强
    yolo可以学习到物体的通用特征，泛化能力更好。应用在新领域不会崩掉（DPM,R-CNN相比还是因为利用了整张图的信息)
  • 全局推理
    对整张图处理，利用全图信息，假阳性错误少(就是把背景当做物体错误率少)
  • 精度与sta比不高
  • 对小物体不友好

1.如果一个网格内出现了两个物体的中心（就是每个cell，只能预测一个类别，无法解决物体重叠的问题）
2.一个网格里包含了很多小物体（比如天空中的鸟群)
以上两种情况均只能检测出一类和一个物体，所以yolo对靠的很近的物体以及小目标群体检测效果不是很好

YoLO v1优点:
1.速度很快并且容易优化:
只需读取一次图像，就可进行端对端优化，将检测问题转化为回归问题，可满足实时需求
2.背景误识别率低:
对全图进行卷积学习，综合考虑了全图的上下文信息，背景误检测少
3.泛化性能好:
也是由于综合考虑了图片全局，因此能够更好地学习数据集的本质表达，泛化性能更好

相较于Faster R-CNN , YOLO v1存在明显不足:
1.定位精度不够，尤其是小目标（网络较深细粒度特征及小物体特征不明显)
2.对密集目标的识别存在不足（因为一个gride cell只能预测一个物体)
3.异常宽长比的目标识别不佳（因为直接学习的框的值)

一 论文导读

在这里插入图片描述

Yolo算法流程：

  • 1.将图片隐式的分为S*S个网格

  • 2.物体的中心落在哪个网格内，哪个网格就负责预测这个物体

  • 3.每个网格需要预测B个框，C个类别
    在这里插入图片描述

  • 4.每个框包含了位置信息和置信度(x, y, w, h, confidence)，所以一张图预测的信息一共有:S*S*(B*5+C)
    x,y为中心点坐标， w,h为框的宽度(均经过归一化，值0-1）。
    confidence是置信度，所以一张图预测的信息一共有:S*S*(B*5+C)

在这里插入图片描述

第一项为物体先验概率，如果框内包含物体值为1，否则为0.
第二项为预测框与真实框的交并比(0-1)
所以Confidece的取值范围为0-1

由公式可以知道Confidence的大小反映了两个信息:
1.预测框内包含物体的置信度是多少
2.预测框预测的准确度

二 论文精读

核心思想

在这里插入图片描述

在这里插入图片描述

网络结构

在这里插入图片描述
模型最后的输出大小是7*7*30
7*7对应原图分成7*7的49块，其实这么说，不严谨，只是原作者这么说，所以大家都这么说，要比较好的了解这个概念，需要比较清晰的了解卷积和感受野的感念才行。
30：分 5（第一个候选框） +5（第二个候选框） +20（20个类别）；这30个参数怎么可以对应到他实际的物理意义呢，比如为什么前5个参数是第一个候选框的预测值，那为什么不可以是20个类别值呢？因为损失函数啦，损失函数可以让计算机学到每个预测参数的物理意义值。这就是神经网络，深度学习的魅力所在啊！

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

三 代码实现

四 问题思索

五 实验参数设置

训练检测网络
训练数据集:PASCAL VoC 2007&2012数据集训练尺寸:448*448
初始化方式
预训练分类模型的卷积层初始化yolo的前20卷积层，其余层随机初始化超参数设置
btahcsize: 64 momentum: 0.9decay: 0.0005 epochs : 135
learning rate:第一个epoch学习率从0.001逐渐增长到0.01
2-75:0.01
76-105:0.001
106-135:0.0001

六 额外补充

在这里插入图片描述

在这里插入图片描述

第一项为物体先验概率，如果框内包含物体值为1，否则为0.
第二项为预测框与真实框的交并比(0-1)
所以Confidece的取值范围为0-1

由公式可以知道Confidence的大小反映了两个信息:
1.预测框内包含物体的置信度是多少
2.预测框预测的准确度

*Major*
关注
humble-yolo:使用Keras的最小YOLO V1实现
05-01
humble-yolo是我写的YOLO v1的最小实现，目的是了解惊人的YOLO算法。 要测试它，请运行： generate-dataset.py生成数据main.py --train --epoch 100用于训练网络您应该看到带有边框的图像列表。 前10张图像是未用于...
yolo v1 目标检测算法的损失函数详尽代码注解
05-02
应该是目前为止互联网上能找到的关于yolo v1目标检测开源算法损失函数的最详尽的代码注释了吧！对于初学人工智能的朋友们应该有所帮助。
目标检测-yolov1
qqyouhappy的博客
05-17 272
待续
YOLO v1之总结篇（linux+windows）
热门推荐
年轻即出发，
12-13 1万+
论文解读篇： YOLO出自2016 CVPR You Only Look Once:Unified, Real-Time Object Detection，也是一个非常值得学习的框架，不得不说facebook的技术就是牛啊。 整个训练和检测框架都是端到端，YOLO达到了45帧每秒，Fast YOLO达到了155帧每秒，除了刚开始加载模型有点慢，检测部分确实是非常的快。 ...
YOLO V1全网最详细的解读
gbyy42299的博客
03-28 1万+
看了很多网上的关于YOLO的教程，发现大家都是相互抄袭，并没有很详细的讲解其中的算法，所以我结合网上的和自己的理解对其进行全网最详细讲解。 一、YOLO：YOLO: Unified, Real-Time Object Detection概述 YOLO作者将物体检测作为回归问题求解，基于一个简单的end-to-end网络设计，和rcnn系列的区别主要如下： 1、YOLO训练和检测均是在一个单独的网络...
yolo v1的学习与理解
weixin_40446651的博客
07-23 1812
论文的原题目为：You Only Look Once: Unified, Real-Time Object Detection 原论文下载地址 作为一种新的目标检测算法，相比于之前的fast-RCNN,Faster-R-CNN等，其最大的区别是将检测问题转换为回归问题。之前的目标检测算法都是先通过CNN生成大量的region proposal，即可疑目标区域，然后再在这些区域中进一步进行CNN...
【YOLOv1~v2简略笔记】
qq_45558513的博客
05-08 1258
YOLOv1~v2简略笔记
yolotfjs-yolo、yolo v3和Tiny yolo v1、v2、v3与Tensorflow.js
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: ...
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。
基于Pytorch实现的Yolo V1.zip
最新发布
05-03
标题 "基于Pytorch实现的Yolo V1.zip" 指的是一个使用PyTorch框架实现的YOLO（You Only Look Once）版本1的人工智能项目。YOLO是一种实时目标检测系统，它在计算机视觉领域广泛应用，尤其在图像识别和物体定位上表现...
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
目标检测 pytorch复现Yolo v1目标检测项目
05-17
本项目主要关注的是使用PyTorch框架复现经典的Yolo v1（You Only Look Once version 1）目标检测算法。Yolo v1是由Joseph Redmon等人在2015年提出的一种实时目标检测系统，其核心思想是将目标检测任务转化为一个回归...
为YOLO V5铺垫：一文看懂YOLO V1-V4的变化
09-02
- YOLO V1和V2使用固定尺寸的网格细胞（Cell）预测边界框，V1每个Cell预测5个框，V2则是每个Cell预测5个对应5个Anchor。 - YOLO V3每个Cell预测3个框，对应9个Anchor，这有助于提高对不同比例和大小目标的检测效果...
68.【必看】Yolo v1 v2 v31
08-03
YOLO v1、v2 和 v3 都是这个系列的进化版本，不断优化性能和准确性。 YOLO v1 的基本原理是将输入图像分成 7x7 的网格，每个网格预测固定数量的边界框，同时预测这些框内物体的概率和类别。它使用 Leaky ReLU 作为...
YOLO_v1讲解
weixin_43702653的博客
04-10 1万+
YOLO_v1讲解
YOLOv3-step2过滤多余的预测框
一千零一夜的博客
10-20 1416
def write_results(prediction, confidence, num_classes, nms_conf=0.4): """ subject our output to object score thresholding and Non-maximal suppression [b, 13*13*3 + 26*26*3 + 52*52*3, 85] -> [B, D, 8]. 8=[x1, y1, x2, y2, obj_score, cls_score.
在用yolov5做昆虫目标检测中遇到的一框多物问题，有什么方法解决吗
tri_door的博客
09-06 1043
在利用YOLOv5检测飞虱等农业害虫图像时，当一个以上的飞虱挨近时，经常会被检测框包围，请问各位大佬，这是啥原因，有啥解决方案。
YOLOv5超详细的入门级教程（代码篇）（一）——网络结构可视化
“知识最大的敌人不是无知，而是错觉”
05-11 4251
Pytorch-YOLOv5Inference模型结构简单网络结构模型详细架构References 先说些废话，好久没写blog，最近一直在忙保研的乱七八糟的事，想要提加权、搞机试、搞科研经历、搞论文，发现自己无法focus在重点上，可以说是非常失败的开学前7周，接下来的两个月会focus在科研经历和论文上，再也不让乱七八糟的事情冲昏自己的头脑了！大不了就六七月份爆肝1个月acm题嘛！！我觉得我还是比较适合一个事情天天爆肝，思路断了之后效率可以说是低得很。 总之，状态在回到正轨上，要开始弯道超车了，哼。
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...
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