YOLO v1 原理深度讲解

最新推荐文章于 2024-09-25 00:32:42 发布
最新推荐文章于 2024-09-25 00:32:42 发布
阅读量681 收藏 3
点赞数 3
分类专栏： 目标检测 文章标签： 神经网络 目标跟踪 图像识别
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_42504905/article/details/117001163
版权
YOLO v1算法作为实时检测的先驱，以其快速和简洁著称。通过s*s网格分割图像，每个网格预测两个候选框并计算IOU以确定最佳匹配。算法将检测问题转化为回归问题，每个网格预测物体中心、大小及置信度。虽然固定尺寸限制和小物体检测不足是其局限，但YOLO v1的创新仍对目标检测领域产生了深远影响。
摘要由CSDN通过智能技术生成

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：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-3xoPTIZ2-1621343647829)(assets/image-20210517163953-bgoy8qh.png)]{: id="20210517163934-n9jh84z" updated="20210517163953"}

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，真实情况是有10个得癌症的，通过预测函数遇到到了有12个得了癌症，其中有8个是真实得癌症的。

这种情况下:

TP=8

FP=12-8=4

FN=10-8=2

TN=(100-12)-2=86

所以准确率：

准确率 Accuracy

正确预测为1，正确预测为0的样本比率，公式为：[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-P7o943a7-1621343647831)(https://math.jianshu.com/math?formula=\frac%7BTP%2BTN%7D%7BALL%7D)]

上例中准确率为https://math.jianshu.com/math?formula=\frac%7B8%2B86%7D%7B100%7D%3D0.94

最低0.47元/天 解锁文章
不会程序的++猫
关注
专栏目录
[YOLO专题-4]：YOLO V1 - 网络结构、原理、基本思想的全新、全面、通俗、结构化讲解
文火冰糖（王文兵）的博客
12-26 1万+
作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客 本文网址： 目录 第1章 YOLO V1应运而生 1.1 Faster R-CNN的出现与不足 1.2YOLO V1的出现 1.3YOLO V1的优点 1.4YOLO总体的网络结构 1.5YOLO V1的总体网络架构 第2章 YOLO V1网络的图片输入 2.1 输入图片或视频（用于网络的前向预测） 2.2 图片的标签（用于Loss计算与反向网络训练） 第3章YOLO V1 前向特...
YOLOv1原理与代码实例讲解
AI天才研究院
06-25 1023
YOLOv1原理与代码实例讲解 1.背景介绍 在计算机视觉领域，目标检测一直是一个重要且具有挑战性的任务。传统的目标检测方法通常需要先进行区域提议（Region Proposal），然后再进行分类和定位，这种方法不仅复杂，而且计算开销大。YOLO（You Only Look Once）系列算法
YOLO V1解析
lanran2的博客
09-02 3700
YOLO（You Only Look Once) 是可谓是第一个相对成功One-Stage物体检测，在2016年被提出，本着速度的优势一跃成为与RCNN系列并驾齐驱的物体检测框架。 YOLO V1指标： YOLO V1 mAP和FPS对比： YOLO V1的速度和准确率在2016年时还是很“稳”的，所以很多重速度的系统，会优先考虑YOLO。我们也可以发现，YOLO V1不仅速度快，准确率...
【YOLO学习】YOLOv1详解
最新发布
m0_62881487的博客
09-25 1521
1. YOLO 的全称是 You Only Look Once: Unified, Real-Time Object Detection。YOLOv1 的核心思想就是利用整张图作为网络的输入，直接在输出层回归 bounding box 的位置和 bounding box 所属的类别。简单来说，只看一次就知道图中物体的类别和位置。2. 将一幅图像分成 SxS 个网格（grid cell），如果某个 object 的中心落在这个网格中，则这个网格就负责预测这个 object。
YOLO v1深入理解
weixin_34007879的博客
10-15 427
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v3版本，不过新版本也是在原有版本基础上不断改进演化的，所以本文先分析YOLO v1版本。 对象识别和定位 输入一张图片，要求输出其中所包含的对象，以及每个对象的位置（包含该对象的...
Yolov1算法原理
m0_64363059的博客
05-09 1753
到这里yolov1的算法基本已经了解差不多啦，包括它的前向推理和损失函数的的计算。其实现在yolo发展得非常快，也有非常多的学者在yolo上面做出了很多改进去应用到目标检测中。所以要对yolo进行改进的话，yolov1的本质思想是绕不开的话题。希望本篇文章对于大家了解yolo的算法有帮助。
【YOLO系列】YOLO.v1算法原理详解
deepsprings的博客
08-08 2338
详细介绍了yolo系列目标检测算法的原理和发展过程。
YOLO v1原理解析
qq_38675397的博客
07-01 430
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...
yolo V2 原理深度讲解
qq_42504905的博客
05-20 873
改进：yolov2舍弃了dropout（dropout就是在全连接层使用，防止过拟合。） v2开始网络中没有了全连接层，取而代之的是在每一次卷积之后都加一个batch normalization，这种操作类似于归一化处理，让每一层卷积处理后的特征图都保持着均值为0，方差为1，使得收敛起来更加容易。 BN的位置在每一层卷积后，relu激活函数前。 v2在v1的基础上增加了10次的448x448的训练，让整个模型的鲁棒性更好。 关于v2的网络结构，变化比较大。 整个网络取消了全连接层，全部由卷积层和池化..
yolo原理笔记(最原始的算法推导) v1
爱在深秋
05-24 1083
前言：最近新入了目标检测的坑，查阅了一些相关的资料，整理一下笔记，和大家分享一下。这篇文章的内容非常基础，有很多深度学习的相关概念，都随手标注解释，所以篇幅可能会很长，可能读起来分不清主线，先这样写着，后面慢慢整理。 主要分为以下两个内容： 从整体的角度分析yolo 从零开始设计检测器 yolo：you only look once 一、yolo的性能 下图是一些经典的(Object Dectection model)目标检测模型在MS COCO数据集上的表现，给出的几个模型都是目前性能比较好的，
算法原理-YOLO v1
weixin_40375871的博客
06-18 164
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
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
YOLOv1原理解读
weixin_45715405的博客
04-25 787
参考文章参考文章yolov1的核心思想是将目标检测问题转化成了回归问题，将输入的图像转化成ss个网格（grid cell），每个网格负责预测B个候选框（bounding box），每个候选框包含5个参数（x，y，w，h，confience置信度），为了得到候选框的类别， 使用confience类别概率相乘，可以得到每个边界框属于每个类别的置信度得分。yolov1算法优点。
YOLO V1原理详解
weixin_51691064的博客
05-18 4118
🎏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。
yolo v1原理
cjnewstar111的专栏
06-28 646
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 v1原理总结
chaojianmo的博客
05-07 539
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 ...
【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 5940
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
Bruce_0712的博客
09-23 132
这是继RCNN，fast-RCNN 和 faster-RCNN之后，rbg（Ross Girshick）大神挂名的又一大作，起了一个很娱乐化的名字：YOLO。虽然目前版本还有一些硬伤，但是解决了目前基于DL检测中一个大痛点，就是速度问题。其增强版本GPU中能跑45fps，简化版本155fps。 YOLO主要特点是： 速度快，能够达到实时的要求。在 Titan X 的 GPU 上 能够达到 45 帧每秒。 使用全图作为 Context 信息，背景错误（把背景错认为物体）比较少。 泛化能力强。 ..
(四)目标检测YOLOv1（You Only Look Once）
MIge_的博客
09-17 974
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。 对象识别和定位 输入一张图片，要求输出其中所包含的对象，以及每个对象的位置（包含该对象的矩形框）。 图1 对象识别和定位 对象识别和定位，可以看成两个任务：找到图片中某个存在对象的区域，然后识别出该区域中具体是哪个对象。 对象识别这件事（一张图片仅包含一个对象，且基本占据图片的整个范围），最近几年基于CNN卷积神经网络的各种方法已经能达到不错...
Yolo-v1深度学习目标检测技术入门
资源摘要信息:"飞翔的荷兰人带你入门目标检测-第一季(Yolo-v1).zip" 目标检测是计算机视觉的一个核心问题，主要任务是识别和定位图像中的目标物体，确定它们的类别和位置。下面详细阐述目标检测中的概念、问题、...
评论 5
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