yolo全家桶；yolo系列专题讲解,通俗易懂的yolo v1, v2 ,v3 ,v4 ,v5 , yolox

已于 2022-08-21 11:36:08 修改
阅读量1.2w 收藏 184
点赞数 46
分类专栏： yolo 文章标签： 目标检测 yolov1-v5 yolo系列 yolox
于 2021-12-24 14:34:01 首次发布
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_41580422/article/details/121661296
版权

*免责声明:
1\此方法仅提供参考
2\搬了其他博主的操作方法,以贴上路径.
3*

场景一:yolo v1

场景二:yolo v2

场景三:yolo v3

场景四:yolo v4

场景五:yolo v5

场景六:pp-Yolo

场景七:Yolox

场景八:论文改进方向建议

场景九:资源下载

场景十:模型结构可视化神器——Netron

强推---->通俗易懂的YOLO系列（从V1到V5）模型解读！

…

场景一:yolo v1 <map 63.4 , fps 45>

yolo v1论文地址

YOLO v1论文详解
单阶段算法–YOLOv1详解
Yolo三部曲解读——Yolov1

1.1 物体检测

请添加图片描述
请添加图片描述

1.2 实现方法

请添加图片描述
请添加图片描述
在这里插入图片描述

1.3 网络结构

请添加图片描述

1.4 训练细节与loss函数

在这里插入图片描述

请添加图片描述

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
大致流程
请添加图片描述

1.5 测试

请添加图片描述

1.6 亮点

请添加图片描述

1.7 不足

请添加图片描述

…

场景二:yolo v2 <map 78.6 , fps 40>

yolo v2论文地址

Yolo三部曲解读——Yolov2
单阶段算法–YOLOv2详解
YOLO v2 / YOLO9000论文详解

1.1 先导知识

Kmeans 聚类算法
请添加图片描述
请添加图片描述
请添加图片描述

1.2 yolo v2改进点

请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述

1.3 网络结构

在这里插入图片描述

请添加图片描述

1.4 训练

在这里插入图片描述

1.5 性能

请添加图片描述

1.6 yolo 9000:stronger

一种联合分类与检测训练的方法——YOLO9000

请添加图片描述
请添加图片描述
请添加图片描述

1.7 总结

请添加图片描述

…

场景三:yolo v3

yolo v3论文地址

yolo系列之yolo v3【深度解析】
【目标检测】单阶段算法–YOLOv3详解
【论文解读】Yolo三部曲解读——Yolov3
Keras YOLO v3代码详解（一）：darknet53网络结构分析+Netron工具

1.1 网络结构

请添加图片描述

请添加图片描述
请添加图片描述

请添加图片描述

请添加图片描述

   layer    filters    size/s       p        input                 output
   0 conv     32     3 x 3 / 1      1    416 x 416 x 3   ->  416 x 416 x 32  0.299 BF
   1 conv     64     3 x 3 / 2      ?    416 x 416 x 32  ->  208 x 208 x 64 1.595 BF
   2 conv     32     1 x 1 / 1      0    208 x 208 x 64  ->  208 x 208 x 32  0.177 BF
   3 conv     64     3 x 3 / 1      1    208 x 208 x 32  ->  208 x 208 x 64 1.595 BF
   4 Shortcut Layer: 1        
   5 conv    128     3 x 3 / 2      ?    208 x 208 x 64  ->  104 x 104 x 128 1.595 BF
   6 conv     64     1 x 1 / 1      0    104 x 104 x 128 ->  104 x 104 x  64 0.177 BF
   7 conv    128     3 x 3 / 1      1    104 x 104 x 64  ->  104 x 104 x 128 1.595 BF
   8 Shortcut Layer: 5
   9 conv     64     1 x 1 / 1      0    104 x 104 x 128 ->  104 x 104 x  64 0.177 BF
  10 conv    128     3 x 3 / 1      1    104 x 104 x 64  ->  104 x 104 x 128 1.595 BF
  11 Shortcut Layer: 8
  12 conv    256     3 x 3 / 2      ?    104 x 104 x 128 ->  52 x  52 x 256 1.595 BF
  13 conv    128     1 x 1 / 1      0    52 x  52 x 256  ->  52 x  52 x 128 0.177 BF
  14 conv    256     3 x 3 / 1      1    52 x  52 x 128  ->  52 x  52 x 256 1.595 BF
  15 Shortcut Layer: 12
  16 conv    128     1 x 1 / 1      0    52 x  52 x 256  ->  52 x  52 x 128 0.177 BF
  17 conv    256     3 x 3 / 1      1    52 x  52 x 128  ->  52 x  52 x 256 1.595 BF
  18 Shortcut Layer: 15
  19 conv    128     1 x 1 / 1      0    52 x  52 x 256  ->  52 x  52 x 128 0.177 BF
  20 conv    256     3 x 3 / 1      1    52 x  52 x 128  ->  52 x  52 x 256 1.595 BF
  21 Shortcut Layer: 18
  22 conv    128     1 x 1 / 1      0    52 x  52 x 256  ->  52 x  52 x 128 0.177 BF
  23 conv    256     3 x 3 / 1      1    52 x  52 x 128  ->  52 x  52 x 256 1.595 BF
  24 Shortcut Layer: 21
  25 conv    128     1 x 1 / 1      0    52 x  52 x 256  ->  52 x  52 x 128 0.177 BF
  26 conv    256     3 x 3 / 1      1    52 x  52 x 128  ->  52 x  52 x 256 1.595 BF
  27 Shortcut Layer: 24
  28 conv    128     1 x 1 / 1      0    52 x  52 x 256  ->  52 x  52 x 128 0.177 BF
  29 conv    256     3 x 3 / 1      1    52 x  52 x 128  ->  52 x  52 x 256 1.595 BF
  30 Shortcut Layer: 27
  31 conv    128     1 x 1 / 1      0    52 x  52 x 256  ->  52 x  52 x 128 0.177 BF
  32 conv    256     3 x 3 / 1      1    52 x  52 x 128  ->  52 x  52 x 256 1.595 BF
  33 Shortcut Layer: 30
  34 conv    128     1 x 1 / 1      0    52 x  52 x 256  ->  52 x  52 x 128 0.177 BF
  35 conv    256     3 x 3 / 1      1    52 x  52 x 128  ->  52 x  52 x 256 1.595 BF
  36 Shortcut Layer: 33
  37 conv    512     3 x 3 / 2      ?    52 x  52 x 256  ->  26 x  26 x 512 1.595 BF
  38 conv    256     1 x 1 / 1      0    26 x  26 x 512  ->  26 x  26 x 256 0.177 BF
  39 conv    512     3 x 3 / 1      1    26 x  26 x 256  ->  26 x  26 x 512 1.595 BF
  40 Shortcut Layer: 37
  41 conv    256     1 x 1 / 1      0    26 x  26 x 512  ->  26 x  26 x 256 0.177 BF
  42 conv    512     3 x 3 / 1      1    26 x  26 x 256  ->  26 x  26 x 512 1.595 BF
  43 Shortcut Layer: 40
  44 conv    256     1 x 1 / 1      0    26 x  26 x 512  ->  26 x  26 x 256 0.177 BF
  45 conv    512     3 x 3 / 1      1    26 x  26 x 256  ->  26 x  26 x 512 1.595 BF
  46 Shortcut Layer: 43
  47 conv    256     1 x 1 / 1      0    26 x  26 x 512  ->  26 x  26 x 256 0.177 BF
  48 conv    512     3 x 3 / 1      1    26 x  26 x 256  ->  26 x  26 x 512 1.595 BF
  49 Shortcut Layer: 46
  50 conv    256     1 x 1 / 1      0    26 x  26 x 512  ->  26 x  26 x 256 0.177 BF
  51 conv    512     3 x 3 / 1      1    26 x  26 x 256  ->  26 x  26 x 512 1.595 BF
  52 Shortcut Layer: 49
  53 conv    256     1 x 1 / 1      0    26 x  26 x 512  ->  26 x  26 x 256 0.177 BF
  54 conv    512     3 x 3 / 1      1    26 x  26 x 256  ->  26 x  26 x 512 1.595 BF
  55 Shortcut Layer: 52
  56 conv    256     1 x 1 / 1      0    26 x  26 x 512  ->  26 x  26 x 256 0.177 BF
  57 conv    512     3 x 3 / 1      1    26 x  26 x 256  ->  26 x  26 x 512 1.595 BF
  58 Shortcut Layer: 55
  59 conv    256     1 x 1 / 1      0    26 x  26 x 512  ->  26 x  26 x 256 0.177 BF
  60 conv    512     3 x 3 / 1      1    26 x  26 x 256  ->  26 x  26 x 512 1.595 BF
  61 Shortcut Layer: 58
  62 conv   1024     3 x 3 / 2      ?    26 x  26 x 512  ->  13 x  13 x1024 1.595 BF
  63 conv    512     1 x 1 / 1      0    13 x  13 x1024  ->  13 x  13 x 512 0.177 BF
  64 conv   1024     3 x 3 / 1      1    13 x  13 x 512  ->  13 x  13 x1024 1.595 BF
  65 Shortcut Layer: 62
  66 conv    512     1 x 1 / 1      0    13 x  13 x1024  ->  13 x  13 x 512 0.177 BF
  67 conv   1024     3 x 3 / 1      1    13 x  13 x 512  ->  13 x  13 x1024 1.595 BF
  68 Shortcut Layer: 65
  69 conv    512     1 x 1 / 1      0    13 x  13 x1024  ->  13 x  13 x 512 0.177 BF
  70 conv   1024     3 x 3 / 1      1    13 x  13 x 512  ->  13 x  13 x1024 1.595 BF
  71 Shortcut Layer: 68
  72 conv    512     1 x 1 / 1      0    13 x  13 x1024  ->  13 x  13 x 512 0.177 BF
  73 conv   1024     3 x 3 / 1      1    13 x  13 x 512  ->  13 x  13 x1024 1.595 BF
  74 Shortcut Layer: 71
  75 conv    512      1 x 1 / 1     0    13 x  13 x1024  ->  13 x  13 x 512 0.177 BF
  76 conv   1024      3 x 3 / 1     1    13 x  13 x 512  ->  13 x  13 x1024 1.595 BF
  77 conv    512      1 x 1 / 1     0    13 x  13 x1024  ->  13 x  13 x 512 0.177 BF
  78 conv   1024      3 x 3 / 1     1    13 x  13 x 512  ->  13 x  13 x1024 1.595 BF
  79 conv    512      1 x 1 / 1     0    13 x  13 x1024  ->  13 x  13 x 512 0.177 BF
  80 conv   1024      3 x 3 / 1     1    13 x  13 x 512  ->  13 x  13 x1024 1.595 BF
  81 conv     18      1 x 1 / 1     0    13 x  13 x1024  ->  13 x  13 x  18 0.006 BF
  82 yolo
  83 route  79
  84 conv    256      1 x 1 / 1     0    13 x  13 x 512  ->  13 x  13 x 256 0.044 BF
  85 upsample            2x              13 x  13 x 256  ->  26 x  26 x 256
  86 route  85 61
  87 conv    256      1 x 1 / 1     0    26 x  26 x 768  ->  26 x  26 x 256 0.266 BF
  88 conv    512      3 x 3 / 1     1    26 x  26 x 256  ->  26 x  26 x 512 1.595 BF
  89 conv    256      1 x 1 / 1     0    26 x  26 x 512  ->  26 x  26 x 256 0.177 BF
  90 conv    512      3 x 3 / 1     1    26 x  26 x 256  ->  26 x  26 x 512 1.595 BF
  91 conv    256      1 x 1 / 1     0    26 x  26 x 512  ->  26 x  26 x 256 0.177 BF
  92 conv    512      3 x 3 / 1     1    26 x  26 x 256  ->  26 x  26 x 512 1.595 BF
  93 conv     18      1 x 1 / 1     0    26 x  26 x 512  ->  26 x  26 x  18 0.012 BF
  94 yolo
  95 route  91
  96 conv    128      1 x 1 / 1     0    26 x  26 x 256  ->  26 x  26 x 128 0.044 BF
  97 upsample            2x              26 x  26 x 128  ->  52 x  52 x 128
  98 route  97 36
  99 conv    128      1 x 1 / 1     0    52 x  52 x 384  ->  52 x  52 x 128 0.266 BF
 100 conv    256      3 x 3 / 1     1    52 x  52 x 128  ->  52 x  52 x 256 1.595 BF
 101 conv    128      1 x 1 / 1     0    52 x  52 x 256  ->  52 x  52 x 128 0.177 BF
 102 conv    256      3 x 3 / 1     1    52 x  52 x 128  ->  52 x  52 x 256 1.595 BF
 103 conv    128      1 x 1 / 1     0    52 x  52 x 256  ->  52 x  52 x 128 0.177 BF
 104 conv    256      3 x 3 / 1     1    52 x  52 x 128  ->  52 x  52 x 256 1.595 BF
 105 conv     18      1 x 1 / 1     0    52 x  52 x 256  ->  52 x  52 x  18 0.025 BF
 106 yolo

网络结构结合代码定义解析

Keras YOLOv3代码详解（三）：目标检测的流程图和源代码+中文注释
请添加图片描述
请添加图片描述

1.2 多尺度预测

请添加图片描述
请添加图片描述

1.3 logistic函数替换softmax函数

请添加图片描述

1.4 训练过程

请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述

1.5 输出处理

请添加图片描述

1.6 总结

请添加图片描述

…

场景四:yolo v4

强推先看-----> yolo v4基础知识先导篇

yolo v4 论文地址

目标检测算法YOLOv4详解
【目标检测】单阶段算法–YOLOv4详解
深入浅出Yolo系列之Yolov3&Yolov4&Yolov5&Yolox核心基础知识完整讲解

1.1 网络结构

Yolov4可视化网络结构图
请添加图片描述
请添加图片描述
请添加图片描述请添加图片描述
请添加图片描述
网络结构代码详解和损失函数详解参考博文

1.2 输入端创新

Mosaic数据增强

yolo v4基础知识先导篇—>场景二:Mosaic数据增强

大中小目标定义来源论文: Augmentation for small object detection
请添加图片描述
请添加图片描述
cmBN

【YOLO v4】Normalization: BN、CBN、CmBN
请添加图片描述
SAT
请添加图片描述
在这里插入图片描述

1.3 Backbone主干网络创新

CSPDarknet53

yolo v4基础知识先导篇—>场景五: CSPNet (2019)
请添加图片描述
在这里插入图片描述

Mish激活函数

yolo v4基础知识先导篇—>场景一:Mish激活函数

请添加图片描述
DropBlock

yolo v4基础知识先导篇—>场景三:DropBlock正则化方法
请添加图片描述

1.4 Neck创新

ssp

DC-SPP-YOLO

请添加图片描述
FPN+PAN

yolo v4基础知识先导篇—>场景六: FPN ; 场景七: PANet

请添加图片描述
请添加图片描述

1.5 Prediction创新

CIoU Loss损失函数

yolo v4基础知识先导篇—>场景四: CIoU Loss损失函数

请添加图片描述
DIOU_nms

yolo v4基础知识先导篇—>场景八: DIOU NMS

请添加图片描述

1.6 总结

请添加图片描述
请添加图片描述
请添加图片描述

…

场景五:yolo v5

一文读懂YOLO V5 与 YOLO V4​

深入浅出Yolo系列之Yolov5核心基础知识完整讲解

yolov5保姆级使用教程和源码解读

1.1 yolo v5 网络结构

在这里插入图片描述
请添加图片描述
请添加图片描述

1.2 yolo v5 输入端创新

Mosaic数据增强

yolo v4基础知识先导篇—>场景二:Mosaic数据增强

请添加图片描述

自适应锚框计算

自适应锚框
在这里插入图片描述

自适应图片缩放

github上基于yolov3对自适应图片进行缩放性能测试
在这里插入图片描述
在这里插入图片描述

1.3 yolo v5 Backbone主干网络创新

Focus结构
在这里插入图片描述

请添加图片描述
请添加图片描述请添加图片描述

CSP1_X结构

yolo v4基础知识先导篇—>场景五: CSPNet (2019)

请添加图片描述

1.4 yolo v5 Neck创新

CSP2_X
请添加图片描述

1.5 yolo v5 Prediction创新

yolo v4基础知识先导篇—>场景四: CIoU Loss损失函数

yolo v4基础知识先导篇—>场景八: DIOU NMS
在这里插入图片描述
在这里插入图片描述

1.6 yolo v5 的四种结构

请添加图片描述
请添加图片描述

1.7 四种结构的转换

Yolov5s可视化网络结构图
Yolov5m可视化网络结构图
Yolov5l可视化网络结构图
Yolov5x可视化网络结构图
请添加图片描述
请添加图片描述
在这里插入图片描述

请添加图片描述

1.8 总结

请添加图片描述
请添加图片描述

在这里插入图片描述
目前yolov5的版本更新了6次，代码v3结构如下：
在这里插入图片描述
代码v6结构如下：
请添加图片描述

1.9 实践操作推荐

YOLOV5解析

使用YOLO V5训练自动驾驶目标检测网络

YOLOv5训练自己的数据集之详细过程篇

yolov5使用教程

…

场景六:pp-Yolo

pp-yolov1论文

pp-yolov2论文

PPYOLO：2020不容错过的目标检测调参Tricks

…

场景七:Yolox

yolox论文地址

深入浅出Yolo系列之Yolox核心基础完整讲解
yolox训练自己的数据集参考

1.1 前言

请添加图片描述

1.2 yolox-darknet53 网络结构

Yolox_Darknet53可视化网络结构图

yolox基础知识先导篇—>场景一: 基准模型：Yolov3_spp
请添加图片描述
请添加图片描述

1.3 yolox-darknet53 输入端

yolov4基础知识点—>场景二:Mosaic数据增强

yolox基础知识先导篇—>场景二:Mixup数据增强请添加图片描述

1.4 yolox-darknet53 主干网络和Neck阶段

请添加图片描述

1.5 yolox-darknet53 Prediction阶段

Decoupled Head

yolox基础知识先导篇—>场景三:Decoupled Head
请添加图片描述
请添加图片描述
请添加图片描述
Anchor-free

yolox基础知识先导篇—>场景四:Anchor Based 和 Anchor Free
请添加图片描述
请添加图片描述
标签分类—>初步筛选
请添加图片描述
请添加图片描述
标签分类–> 细分方法:simOTA
请添加图片描述
请添加图片描述
请添加图片描述请添加图片描述
请添加图片描述

1.6 yolox -s、m、l、x

yolox基础知识先导篇—>场景五:SiLU

Yolox_s可视化网络结构图
Yolox_m可视化网络结构图

Yolox_l可视化网络结构图
Yolox_x可视化网络结构图
请添加图片描述
请添加图片描述

1.7 轻量级网络Yolov4-Tiny和Yolox-Nano

Yolox_tiny可视化网络结构图

Yolox_nano可视化网络结构图
请添加图片描述

1.8 总结

请添加图片描述

1.9 不同的落地模型部署方式

在这里插入图片描述

1.10 思考

请添加图片描述

…

场景八:论文改进方向建议

请添加图片描述
请添加图片描述

…

场景九:资源下载

yolo v4

Yolov4作者Alexey

yolo v4 python版本的Tensorrt代码

YOLOv4的TensorFlow2.0实现

yolo v5

yolo v5 Github地址

yolox
yolox Github地址

数据集

强推---->数百种数据集汇总

口罩遮挡人脸数据集–>应用项目：人脸检测、人脸识别

Wider Face人脸数据集->人脸检测

Wider Person拥挤场景行人数据集->人体检测

论文
CVPR 2021 结果出炉！最新600篇CVPR’21论文分方向汇总

…

场景十:模型结构可视化神器——Netron

模型结构可视化神器——Netron(支持tf, caffe, keras,mxnet等多种框架)

you did it
在这里插入图片描述

weeksooo
关注
  • 46
    点赞
  • 踩
  • 184
    收藏
    觉得还不错? 一键收藏
  • 19
    评论
专栏目录
YOLOv1v2v3论文.zip
08-09
YOLO算法v1v2v3三篇论文英文原文，cv目标检测、深度学习必学经典论文。。。。。。。。。。。。。。。
Yolo系列（1-4）讲解文稿
01-17
需要快速学习YOLO系列的童鞋，通过网络结构--损失函数--训练过程--测试过程，带你快速撸YOLO.
YOLOv8安装配置全流程，一篇文章带你进入YOLOv8奇妙世界！（内涵yolov8资源）
热门推荐
weixin_43366149的博客
08-10 4万+
YOLOv8一条龙安装教程，跟着此教程配置，都可以正常使用，如有问题，评论区提问
深度学习之学习（3-3）YOLOV2
light169的专栏
03-07 3213
参见：【目标检测论文阅读】YOLOv2 - 知乎 二、更快更准：YOLOv2 2.1 简介 2017年，作者 Joseph Redmon 和 Ali Farhadi 在 YOLOv1 的基础上，进行了大量改进，提出了 YOLOv2 和 YOLO9000。重点解决YOLOv1召回率和定位精度方面的不足。 YOLOv2 是一个先进的目标检测算法，比其它的检测器检测速度更快。除此之外，该网络可以适应多种尺寸的图片输入，并且能在检测精度和速度之间进行很好的权衡。 相比于YOLOv1是利用全连接层直接预测B
学习经验分享【37】YOLOv10解读——最新YOLO版本
最新发布
m0_70388905的博客
05-25 7119
YOLOv10解读——最新YOLO版本
yolov5 VS yoloX VS yolov8
weiyuhaodashabi的博客
01-30 8101
实验笔记
【YOLO系列】YOLOv5、YOLOX、YOOv6、YOLOv7网络模型结构
qq_39770163的博客
09-14 7665
YOLOv5、YOLOX、YOLOv6、YOLOv7模型结构图
【 YOLO系列v1-v5 原理+代码解读+项目实践】
是小武呀
01-07 6595
【yolo系列物体检测】文前白话深度学习目标检测基础知识二级目录三级目录 文前白话 yolo 是目前更加倾向于检测速度的检测方法，很多工程上得以应用，可满足实时性的检测。本系列的yolo学习从yolo1-yolo5，知晓基本的原理以及相关的代码解析。yolo1到yolo5都是不断被改进的过程。 深度学习目标检测基础知识 深度学习经典检测算法的两类 one-stage (单阶段) ： YOLO 系列 一个cnn网络来提取特征，做个回归就结束了，输出结果。 two-stage( 双阶段 ) ：
[论文总结]YOLO v1、YOLO v2、YOLO v3、YOLO v4、YOLOv5
nwpuxhld
07-05 394
在v2中我们通过每个grid预测多个anchor来解决目标遗漏的问题，但是针对小目标的检测，v2仍然不是十分友好，因此，从yolov3开始引入了multi-head的概念，引入了不同分辨率的，13x13的预测大物体，26x26的负责预测中物体，52x52的负责预测小物体。=5*2+20，这里的20代表我们最后预测物体类别已经有20个类别，5代表的是（c，x，y，w，h），c表示的是置信度分数，xywh分别表示的是中心点左边和宽高。YOLO v1的整体结构如上图所示，他给整个系列的YOLO 定下了基调。
YOLO系列算法
最白の白菜的博客
03-03 2万+
目录YOLO系列算法yolo算法Yolo算法思想Yolo的网络结构网络输入网络输出7X7网格30维向量Yolo模型的训练训练样本的构建损失函数模型训练模型预测yolo总结yoloV2预测更准确（better）batch normalization使用高分辨率图像微调分类模型采用Anchor Boxes聚类提取anchor尺度边框位置的预测细粒度特征融合多尺度训练速度更快（Faster）识别对象更多yoloV3算法简介多尺度检测网络模型结构先验框logistic回归yoloV3模型的输入与输出yoloV4总结
手把手调参最新 YOLOv7 模型 训练部分 - 最新版本（二）
包括YOLOv5、YOLOv7、YOLOv8等模型改进
08-28 2万+
YOLO科研Trick改进推荐 | 包括Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数
YOLO1、YOLO2、YOLO3对比
qq_32172681的博客
08-27 1万+
YOLO详解参见地址： YOLO1：https://blog.csdn.net/qq_32172681/article/details/99418000 YOLO2：https://blog.csdn.net/qq_32172681/article/details/99482044 YOLO3：https://blog.csdn.net/qq_32172681/article/details...
yolox-s && yolox-x evaluate
Hoshea_sun的博客
12-07 574
yolox-s && yolox-x evaluate
YOLOV2训练全过程详解
11-23
目录结构： 准备训练样本 修改源文件 构建用户的训练数据文件夹 训练 各种曲线的绘制 各种参数解析
汇总！YOLOv1-v7全系列大解析（Tricks篇）
CV_Autobot的博客
11-23 1472
作者|Rocky Ding 编辑|极市平台点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【目标检测】技术交流群后台回复【2D检测综述】获取鱼眼检测、实时检测、通用2D检测等近5年内所有综述！导读本文聚焦于YOLO系列的Tricks，对YOLOv1-v7全系列的所使用的Tricks进行了详细的解析。干货篇----【目录先行】----YOLO系列中...
单阶段检测器-yolo v1、v2、v3多图详解
马飞飞的博客
03-05 6739
简介 单阶段目标检测是指没有显式给出提取候选区域的过程，直接得到最终的检测结果，将提取和检测合二为一，直接得到物体检测的结果，因此其速度往往会更快一些。 非常典型的就是yolo形式的，可以发现其网络结构是从头到底都是网络的形式，经典的单阶段检测器的变换过程为： YOLO（v1、v2、v3） ...
YOLOV4原理剖析及建模实战
07-13
【课程特色】 1、超强师资+体系全面+ 1 对 1 答疑+离线缓存+永久有效，无限回放 2、知识全面系统， YOLO v1到YOLO v4 网络结构全面解析，YOLO v4优化点总结以及使用YOLO v4训练自己的目标检测模型，从原理到实战，让你一门课掌握YOLO系列的前世今生。   【为什么要学习这门课？】 目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。因此，目标检测也就成为了近年来理论和应用的研究热点。  目标检测工程落地中,以二阶段和一阶段网络为主,其中yolo系列落地公司最多; 最近新出的yolov4必将代替yolov3 以及其他二阶网络。 【学完后我将达到什么水平？】 你将能够熟练掌握 Windows环境下的深度学习模型的搭建，具备使用YOLO v4训练自己的目标检测模型等项目实战能力，掌握计算机视觉工程师的核心能力。   【面向人群】 1、对计算机视觉领域有兴趣的学生、研究人员等； 2、有一定编程基础，对YOLO 系列有深刻理解的开发者； 3、想要了解如何训练自己的深度学习模型的深度学习的初学者； 4、准备从事计算机视觉领域开发工作的程序员。 【课程内容】
YOLOv1-7~~
whaosoft143ai的博客
10-07 543
YOLOv1-v7全系YOLOv1-v7不同版本各有特色，在不同场景，不同上下游环境，不同资源支持的情况下，如何从容选择使用哪个版本，甚至使用哪个特定部分，都需要我们对YOLOv1-v7有一个全面的认识。故Rocky将YOLO系列每个版本都表示成下图中的五个部分，逐一进行解析，并将每个部分带入业务侧，竞赛侧，研究侧进行延伸思考，探索更多可能性。​​​。
最全的YOLO系列汇总【个人笔记】
qq_33596242的博客
09-20 1431
yolo系列总结

“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 19
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