【YOLO系列】搞懂YOLOv1 ~ YOLOv3 各个指标参数分析，一篇就够

已于 2022-03-03 15:00:16 修改
阅读量4.3k 收藏 26
点赞数 3
分类专栏： Deep learning 文章标签： 目标检测 深度学习 人工智能
于 2021-11-02 19:33:53 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_44824148/article/details/120925697
版权

文章目录

指标参数分析

深度学习经典检测算法

two-stage(两阶段)：Faster-rcnn Mask-Rcnn系列

  • 速度通常较慢(5FPS)，但是效果通常还是不错的!
  • 非常实用的通用框架MaskRcnn。
    在这里插入图片描述

one-stage(单阶段)：YOLO系列

  • 最核心的优势：速度非常快，适合做实时检测任务！
  • 缺点也是有的，效果通常情况下不会太好！

在这里插入图片描述

指标分析

map指标：

综合衡量检测效果；需要把所有的阈值都考虑进来；MAP就是所有类别的平均。
在这里插入图片描述

精度：

在这里插入图片描述

召回率：

在这里插入图片描述
在这里插入图片描述

置信度

设定置信度阈值，超过阈值之后，才会被判定。

IOU

两个框可以看成 预测框 和 真实框 。
在这里插入图片描述

YOLO-V1

经典的one-stage方法
把检测问题转化成回归问题，一个CNN就搞定了！
可以对视频进行实时检测，应用领域非常广！
在这里插入图片描述

核心思想

在这里插入图片描述

网络架构

在这里插入图片描述

每个数字的含义

在这里插入图片描述

损失函数

在这里插入图片描述

NMS(非极大值抑制)

在这里插入图片描述

优缺点

优点

快速，简单！

缺点
  • 每个Cell只预测一个类别，如果重叠无法解决
  • 小物体检测效果一般，长宽比可选的但单一

YOLO-V2

在这里插入图片描述

YOLO-V2-Batch Normalization

每次Con之后默认追加归一化

  • V2版本舍弃Dropout，卷积后全部加入Batch Normalization
  • 网络的每一层的输入都做了归一化，收敛相对更容易
  • 经过Batch Normalization处理后的网络会提升2%的mAP
  • 从现在的角度来看，Batch Normalization已经成网络必备处理

YOLO-V2-更大的分辨率

  • V1训练时用的是224 * 224，测试时使用448 * 448
  • 可能导致模型水土不服，V2训练时额外又进行了10次448*448 的微调
  • 使用高分辨率分类器后，YOLOv2的mAP提升了约4%

YOLO-V2-网络结构

  • DarkNet，实际输入为416*416
  • 没有FC层，5次降采样，（13*13）
  • 1*1卷积节省了很多参数
    在这里插入图片描述

YOLO-V2-聚类提取先验框

faster-rcnn系列选择的先验比例都是常规的，但是不一定完全适合数据集

K-means聚类中的距离: (一般K=5)

在这里插入图片描述

在这里插入图片描述

YOLO-V2-Anchor Box

  • 通过引入anchor boxes，使得预测的box数量更多（13 * 13 * n）
  • 跟faster-rcnn系列不同的是先验框并不是直接按照长宽固定比给定
without anchor69.5 mAP81% recall
with anchor69.2 mAP88% recall

YOLO-V2-Directed Location Prediction

V1使用的是下面的 位置偏移量

  • bbox：中心为(xp,yp)；宽和高为(wp,hp)，则：
    在这里插入图片描述

  • tx=1，则将bbox在x轴向右移动wp；tx=−1则将其向左移动wp

这样会导致收敛问题，模型不稳定，尤其是刚开始进行训练的时候 （因为初始化是随机的）

V2使用的是下面的 grid cell偏移量

  • V2中并没有直接使用偏移量，而是选择相对grid cell的偏移量
  • 计算公式为：
    在这里插入图片描述

在这里插入图片描述
例如：

预测值(σtx,σty,tw,th)=(0.2,0.1,0.2,0.32)，

anchor框为：
在这里插入图片描述

在特征图位置：
在这里插入图片描述
在原位置：
在这里插入图片描述

感受野

概述来说就是：从最后的特征图上的点能看到原始图像多大区域

在这里插入图片描述
假设输入大小都是hwc，并且都使用c个卷积核(得到c个特征图)，可以来计算 一下其各自所需参数：
在这里插入图片描述
堆叠小的卷积核所需的参数更少一些，并且卷积过程越多，特征提取 也会越细致，加入的非线性变换也随着增多，还不会增大权重参数个数，这就 是VGG网络的基本出发点，用小的卷积核来完成体特征提取操作。

YOLO-V2-Fine-Grained Features

最后一层时感受野太大了，小目标可能丢失了，需融合之前的特征
在这里插入图片描述

YOLO-V2-Multi-Scale

都是卷积操作，！一定iterations之后改变输入图片大小
最小的图像尺寸为320 x 320；最大的图像尺寸为608 x 608
在这里插入图片描述

YOLO-V3

在这里插入图片描述

多scale

为了能检测到不同大小的物体，设计了3个scale

  • 13 X 13 的检测大型物体
  • 26 X 26 的检测中型物体
  • 52 X 52 的检测小型物体

在这里插入图片描述

scale变换经典方法

不同的特征图融合后进行预测
在这里插入图片描述

残差连接——为了更好的特征

  • 基本所有网络架构都用上了残差连接的方法
  • V3中也用了resnet的思想，堆叠更多的层来进行特征提取
    在这里插入图片描述

核心网络架构

  • 没有池化和全连接层，全部卷积
  • 下采样通过stride为2实现
  • 3种scale，更多先验框
  • 基本上当下经典做法全融入了
    在这里插入图片描述
4 + 1 + 80
  • 4 指的是 x y w h
  • 1 指的是 置信度
  • 80 指的是 检测的对象种类，根据自己实际情况而定

在这里插入图片描述

先验框设计

YOLO-V2中选了5个，这回更多了，一共有9种

  • 13*13特征图上：(116x90)，(156x198)，(373x326)
  • 26*26特征图上：(30x61)，(62x45)，(59x119)
  • 52*52特征图上：(10x13)，(16x30)，(33x23)
    在这里插入图片描述

softmax层替代

  • 物体检测任务中可能一个物体有多个标签
  • logistic激活函数来完成，这样就能预测每一个类别是/不是
    在这里插入图片描述
莫余
关注
  • 3
    点赞
  • 踩
  • 26
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
专栏目录
Android MPAndroidChart开源库图表之折线图的实例代码
08-27
主要介绍了Android MPAndroidChart开源库图表之折线图的实例代码，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧
YOLO性能评价指标
weixin_44623637的博客
02-09 7924
假设你的分类系统最终的目的是：能取出测试集中所有飞机的图片，而不是大雁的图片。 TP：真实类别为飞机，预测结果为飞机。 FP：真实类别为大雁，预测结果为飞机。 FN：真实类别为飞机，预测结果为大雁。 TN：真实类别为大雁，预测结果为大雁。 准确率：Acc= (TP + TN)/ S 预测和groundtruth相同的个数占总个数的比例，即来衡量预测的正确率。 误检率：FPR= FP / Nf...
YOLO 模型的评估指标——IOU、Precision、Recall、F1-score、mAP
qq_63708623的博客
01-01 1万+
YOLO是最先进的目标检测模型之一。目标检测问题相比分类问题要更加复杂，因为目标检测不仅要把类别预测正确，还要预测出这个类别具体在哪个位置。我将目标识别的评估指标总结为两部分，一部分为预测框的预测指标，另一部分为分类预测指标。
yolov8训练CDLA数据文版版面分析
最新发布
sexy19910923的博客
03-07 634
采用yolov8对pdf文档版面进行分析
centos 网络、仓库初始化脚本
02-22
注意脚本末尾的自动运行，不需要的删除掉。
YOLO1.2.21_目标检测_机器学习_计算机视觉_YOLO目标_yolov1_
10-01
使用YOLO-V1算法完成目标检测，YOLO是一阶段的目标检测算法，其作者凭借独特的写作风格在IEEE上发表4篇YOLO系列paper
YOLOv3模型及参数opencv版
05-17
压缩包包含文件： coco.names，yolov3.cfg， yolov3.weights共三个文件。分别为训练数据的标签、网络框架、网络参数
yolo V3参数介绍
zhengxinjie2的博客
03-14 3072
yolo v3的相关参数介绍，大部分也是参照他人的成果，这里保存一下，以后方便自己查看，也为大家提供一点参考 [net] # Testing batch=1 subdivisions=1 # Training # batch=64 #每一批训练样本的样本数量，每batch个样本更新一次参数，如果内存不够大，将batch分割为subdivisions个子batch # subdivisions=16...
神经网络中的参数解读
yudiemiaomiao的博客
05-17 2万+
1.Batch_Size(批尺寸) 该参数主要用于批梯度下降算法(Batch Gradient Descent)中，批梯度下降算法是每次迭代都遍历批中的所有样本，由批中的样本共同决定最优的方向，Batch_Size 正是批中的样本数量。 若数据集比较小，可以采用全数据集(Full Batch Learning)的形式，由全数据确定的方向能更好地代表样本总体，从而更准确地朝向极值所在的方向；但该种
YOLO系列模型，yolov3-yolov7全方位对比实验参照，包括参数量Params，计算量GFLOPs，复杂度，mAP以及FPS等参照
qq_45294476的博客
07-19 1万+
YOLO系列模型，yolov3-yolov7全方位对比实验参照，包括参数量Params，计算量GFLOPs，复杂度，mAP以及FPS等参照
YOLOv8训练参数详解（全面详细、重点突出、大白话阐述小白也能看懂）
热门推荐
qq_37553692的博客
05-27 5万+
model: 模型文件的路径。这个参数指定了所使用的模型文件的位置，例如 yolov8n.pt 或 yolov8n.yaml。模型文件包含了已经训练好的模型的权重和结构。 data: 数据文件的路径。该参数指定了数据集文件的位置，例如 coco128.yaml。数据集文件包含了训练和验证所需的图像、标签和其他数据的信息。 epochs: 训练的轮数。这个参数确定了模型将会被训练多少次，每一轮都遍历整个训练数据集。训练的轮数越多，模型对数据的学习就越充分，但也增加了训练时间。
结合EfficientNet-lite的Yolo通用目标检测模型-C/C++开发
05-27
Yolo通用目标检测模型与EfficientNet-lite结合使用，计算量仅为230Mflops（0.23Bflops），模型大小为1.3MB:high_voltage:Yolo-Fastest:high_voltage:简单，快速，紧凑，易于移植实时目标检测算法适用于所有平台基于yolo的最快和最小的已知通用目标检测算法速度比mobilenetv2-yolov3-nano快45％，参数数量减少56％评估指标网络VOC mAP（0.5）分辨率运行时间（Ncnn 1xCore）运行时间（Ncnn 4xCore）FLOPS重量大小MobileNetV2-YOLOv3-Nano 65.27 320 11.36ms 5.48ms 0.55BFlops 3.0MB Yolo-Fas
神经网络参数初始化对训练结果的影响分析
01-08
神经网络的参数主要是权重（weights）：W， 和偏置项（bias）：b。训练神经网络的时候需先给定一个初试值，才能够训练，然后一点点地更新，但是不同的初始化方法，训练的效果可能会截然不同。 这个代码就是研究不同神经网络参数初始化对训练结果的影响分析。具体可以看这篇博客：https://blog.csdn.net/weixin_42521239/article/details/103887798
神经网络为什么需要随机初始化模型参数
01-20
在神经网络中，通常需要随机初始化模型参数。下面解释一下这样做的原因。 设有一个多层感知机模型，假设输出层只保留一个输出单元o1o_1o1​，且隐藏层使用相同的激活函数。如果将每个隐藏单元的参数都初始化为相等的值，那么在正向传播时每个隐藏单元将根据相同的输入计算出相同的值，并传递至输出层。 在反向传播中，每个隐藏单元的参数梯度值相等。因此，这些参数在使用基于梯度的优化算法迭代后值依然相等。之后的迭代也是如此。在这种情况下，无论隐藏单元有多少，隐藏层本质上只有一个隐藏单元在发挥作用。 因此，通常对神经网络的模型参数，特别是权重参数进行随机初始化。随机初始化模型参数的方法有很多，可以使用正态分布的随
冰箱内部成分检测数据集YOLO8
02-10
冰箱内部成分检测数据集YOLO8 许可证：CC BY 4.0 此数据集是，冰箱内部成分检测数据集YOLO8 ，共516张图片。 ##数据集版本 ###版本1（v1）-516个图像*（原始图像）* ***预处理**：自动定向 ***增强**：*未应用增强* *训练指标：*此版本的数据集未经过训练* ###版本2（v2）-3050图像*（来自COCO的aicook增强训练）* *预处理：自动定向，调整大小（拉伸至416x416） *增强功能： *每个培训示例的输出：8 旋转：在-3°和+3°之间 暴露：介于-20%和+20%之间 模糊：最多3倍 噪声：高达5%的像素 裁剪：12个盒子，每个10%大小 *培训指标：在公共模型的COCO检查点进行培训 *mAP=97.6%，精密度=86.9%，召回率=98.5% ###版本3（v3）-3050图像*（aicook增强训练FromScratch）* *预处理：自动定向，调整大小（拉伸至416x416） *增强功能： *每个培训示例的输出：8 旋转：在-3°和+3°之间 暴露：介于-20%和+20%之间 模糊：最多3倍 噪声：高达5%的
oracle初始化参数设置
09-11
oracle初始化参数设置
此次ppt是在公司实习讲的一篇目标检测yolo系列最新的yolov7
09-28
此次ppt是在公司实习讲的一篇目标检测yolo系列最新的yolov7
死磕YOLO系列，YOLOv1 的大脑、躯干和手脚
01-06
YOLO 是我非常喜欢的目标...这是第一篇，从它的起始 YOLOv1 讲起。 YOLOv1 的论文地址：https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Redmon_You_Only_Look_CVPR_2016_paper.pdf 建议没有看过
论文对YOLO的演进进行了全面的分析，考察了从原始的YOLO到YOLOv8和YOLO-NAS每个版本中的创新和贡献
05-25
自其问世以来，YOLO系列已经演变了多次版本，每个版本都在前一版本的基础上进行改进以解决限制并增强性能（见图1）。本文旨在全面回顾YOLO框架的发展，从最初的YOLOv1到最新的YOLOv8，阐明每个版本之间的关键创新、...
写一篇关于YOLO系列的5000字综述
02-21
YOLO（You Only Look Once）系列是一种目标检测算法，包括YOLO、YOLOv2、YOLOv3和YOLOv4，它们分别是Joseph Redmon、Ali Farhadi和AlexeyAB等人提出的深度学习目标检测算法。YOLO系列算法通过使用单个神经网络同时识别图像中的多个物体，将目标检测任务分解为一个回归问题，这是它与传统的方法的根本区别。YOLOv2更好地解决了YOLO的一些问题，比如更快的训练速度和更高的检测精度。YOLOv3更进一步地改进了YOLOv2，提高了目标检测的精度，并且能够检测更小的物体。最后，YOLOv4则在YOLOv3的基础上进一步提高了精度，并改进了模型的运行速度。总的来说，YOLO系列算法是一种非常有效的深度学习目标检测算法，可以极大地提高目标检测的准确性和速度。

“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 3
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

打赏作者

莫余

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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