*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论文详解
单阶段算法–YOLOv1详解
Yolo三部曲解读——Yolov1
1.1 物体检测
1.2 实现方法
1.3 网络结构
1.4 训练细节与loss函数
大致流程
1.5 测试
1.6 亮点
1.7 不足
…
场景二:yolo v2 <map 78.6 , fps 40>
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
1.2 yolo v2改进点
1.3 网络结构
1.4 训练
1.5 性能
1.6 yolo 9000:stronger
1.7 总结
…
场景三:yolo v3
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
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
Keras YOLOv3代码详解(三):目标检测的流程图和源代码+中文注释
1.2 多尺度预测
1.3 logistic函数替换softmax函数
1.4 训练过程
1.5 输出处理
1.6 总结
…
场景四:yolo v4
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
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
cmBN
【YOLO v4】Normalization: BN、CBN、CmBN
SAT
1.3 Backbone主干网络创新
CSPDarknet53
yolo v4基础知识先导篇—>场景五: CSPNet (2019)
Mish激活函数
DropBlock
yolo v4基础知识先导篇—>场景三:DropBlock正则化方法
1.4 Neck创新
ssp
FPN+PAN
yolo v4基础知识先导篇—>场景六: FPN ; 场景七: PANet
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
DIOU_nms
1.6 总结
…
场景五:yolo v5
1.1 yolo v5 网络结构
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
自适应锚框计算
自适应图片缩放
1.3 yolo v5 Backbone主干网络创新
Focus结构
CSP1_X结构
yolo v4基础知识先导篇—>场景五: CSPNet (2019)
1.4 yolo v5 Neck创新
CSP2_X
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
1.6 yolo v5 的四种结构
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
1.8 总结
目前yolov5的版本更新了6次,代码v3结构如下:
代码v6结构如下:
1.9 实践操作推荐
…
场景六:pp-Yolo
…
场景七:Yolox
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
1.2 yolox-darknet53 网络结构
yolox基础知识先导篇—>场景一: 基准模型:Yolov3_spp
1.3 yolox-darknet53 输入端
1.4 yolox-darknet53 主干网络和Neck阶段
1.5 yolox-darknet53 Prediction阶段
Decoupled Head
yolox基础知识先导篇—>场景三:Decoupled Head
Anchor-free
yolox基础知识先导篇—>场景四:Anchor Based 和 Anchor Free
标签分类—>初步筛选
标签分类–> 细分方法:simOTA
1.6 yolox -s、m、l、x
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
1.7 轻量级网络Yolov4-Tiny和Yolox-Nano
1.8 总结
1.9 不同的落地模型部署方式
1.10 思考
…
场景八:论文改进方向建议
…
场景九:资源下载
yolo v4
yolo v5
yolox
yolox Github地址
数据集
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