![](https://img-blog.csdnimg.cn/img_convert/c69bfd76cfb949219319eafa00fa7df6.png)
物体检测作为计算机视觉领域的热门方向,在学术界和工业界可谓是遍地开花,而Yolo系列则可以称为该方向的经典算法,从YoloV1到YoloV7的更新迭代,Yolo算法给我们带来了很多的惊喜和灵感。面试人工智能岗位,Yolo模型的出镜率也是非常的高,今天我们就来捋一捋Yolo那些值得关注的改进点。
![](https://img-blog.csdnimg.cn/img_convert/ce13515ca77a4c4d837aa19abf644c55.png)
资料已经整理好了,文末附下载方式!以下是详细内容介绍~
YoloV1以单阶段端到端的模型让人眼前一亮,检测问题转换成回归问题,预测速度可达到实时要求。模型采用grid cell的网格负责制,每个网格预测两个候选框,再结合置信度、NMS策略得到最终输出结果,损失函数分为四部分。
![](https://img-blog.csdnimg.cn/img_convert/394697f2674f4fd2bf1319cd4cb9f0bf.png)
存在的问题主要有两方面:
一是:每个cell只预测一个类别,如果目标重叠则会漏检;
二是:由于boundingbox的限制,对小目标或是新的宽高比的目标检测效果较差。
YoloV2在V1基础上做了很多改进:
![](https://img-blog.csdnimg.cn/img_convert/c1c930201d71412bb2e69c1c4716be47.png)
(1)采用Darknet-19作为新的骨干网络,小卷积核节省参数;
![](https://img-blog.csdnimg.cn/img_convert/f5af2baa8a9c4f25bd305988b873c4b3.png)