3.1 YOLO系列理论（YOLOV1、YOLOV2、YOLOV3)

已于 2022-10-06 22:04:40 修改
阅读量1.6k 收藏 6
点赞数 2
分类专栏： 深度学习之目标检测 文章标签： 目标检测 深度学习 人工智能
于 2022-09-22 16:25:37 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_45825952/article/details/126987048
版权

前言

随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。来源于哔哩哔哩博主“霹雳吧啦Wz”，博主学习作为笔记记录，欢迎大家一起讨论学习交流。

一、YOLOV1

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
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

二、YOLOV2

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
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
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
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
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

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

在这里插入图片描述

三、YOLOV3

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
在这里插入图片描述

3.1 YOLOV3 采用的Darknet-53网络，YOLOV2采用的是Darknet-19网络。因为有53个卷积层，所以叫做Darknet-53网络。

Darknet-53网络中没有最大下采样maxpooling，所有的最大下采样都是通过卷积进行操作（3x3/2)，即卷积替换最大下采样完成尺度的缩小。

与Resnet网络相比，Darknet-53网络卷积核的个数比Resnet少，所以运行速度比Resnet快一点点。关于详细的解释可以参照“霹雳吧啦”写的博文。

相关博文链接
在这里插入图片描述

3.2 Darknet-53网络中Convolutional结构是Conv+BN+LeakyReLU;

残差结构黑色部分，不是Residual就是一个残差结构，而是Convolutional(1x1)+Convolutional(3x3)部分才是一个残差Residual部分。

在这里插入图片描述

3.3 YOLOV3 会在三个预测层进行预测。每一个预测特征图上有三个不同尺度，通过聚类得到，这样三个预测层一共就有9种不同尺度。

N是特征层的大小，3是三个不同尺度，4是位置参数，1是类别置信度分数，80是类别数目（coco数据集有80个类别）

在这里插入图片描述

在这里插入图片描述

3.4 YOLOV3 会在三个预测层进行预测。

第一个预测特征层是在输入是416x416大小，最后去掉池化和全连接之后得到的13x13进行预测（通过convolutional Set+Convolutional3x3等输出)；

第二个预测特征层是通过第一个的convolutional Set+Convolutional1x1+上采样up sampling,然后尺度变成26x26(高和宽扩大为原来的两倍），再将其与Darknet-53网络的倒数第二层进行深度上的拼接，concatenate(尺寸即高和宽一样,都是26x26），最后再进行通过convolutional Set+Convolutional3x3等输出；

这里采用的concatenate,与FPN特征金字塔相比，特征金字塔是在对应的维度上进行相加。（再去看看特征金字塔FPN，再来理解这个，没大理解这个，同学说两个作用差不多）

第三个预测特征层是在第二个的convolutional Set+Convolutional1x1+上采样up sampling,然后尺度变成52x52(高和宽扩大为原来的两倍），再将其与Darknet-53网络的倒数第三层进行深度上的拼接，concatenate(尺寸即高和宽一样,都是52x52），最后再进行通过convolutional Set+Convolutional3x3等输出；

综上所述：第一个预测特征层输出是13x13,第二个预测特征层是26x26,第三个特征层是52x52.分别对应预测大尺度，中尺度，小尺度的目标。

在这里插入图片描述

3.5 YOLOV3 采用和YOLOV2预测目标边界框一致,但是和SSD、Fast RCNN之前都不一样，之前是网络预测目标中心点回归参数是相对于Anchor的偏移量，而YOLOV3网络预测目标中心点回归参数不是相对于Anchor的偏移量，而是相对于当前边界框cell的左上角坐标。（将预测边界框的中心限制在当前cell中。）

从前面的网络结构图当中可以看出，最后三个不同尺度的预测特征图都是通过1x1卷积在最终预测特征层上进行预测输出。YOLOV3有三个预测特征层，每一个预测特征层有三个不同的模板。

假设现在是某一个预测特征层，当1x1卷积滑动到当前窗口时候，会对三个不同的模板都进行预测四个位置参数(Tx Ty Tw Th)+一个置信度分数+每一个类别分数(根据数据集采用，coco80类）。

虚线矩形框对应的就是anchor,Pw是anchor的宽度，Ph是anchor的高度。蓝色边界框是网络最终预测目标的一个位置及大小。

Bx=sigmoid(Tx)+Cx,Cx是当前cell的左上角x坐标，Bx是最终预测目标的x坐标,Tx是网络预测的位置参数x.

同理By=sigmoid(Ty)+Cy,Cy是当前cell的左上角y坐标，By是最终预测目标的y坐标,Ty是网络预测的位置参数y.

Bw=Pw*ETw，其中Bw是最终预测目标的宽度，Pw是anchor的宽度.

Bh=Ph*ETh，其中Bh是最终预测目标的高度，Ph是anchor的高度.

综上所述：通过公式即可将网络预测的四个位置回归参数转化为最终目标边界框的位置参数。

在这里插入图片描述

3.6 正负样本匹配：针对一张图片有几个GT，我们就分配几个bounding box（prior）,即每一个GT我们仅仅分配一个bounding box（prior）。

原则：1.与GT重合程度最大的bounding box（prior）作为正样本;

2.对于bounding box（prior）与GT也重合但他不是最大，比如超过某个阈值0.5，我们直接丢去这个预测结果。即既不是正样本也不是负样本。

3.如果bounding box prior没有任何GT，那么它没有位置和类别预测，仅仅有confidence score。

在这里插入图片描述

3.7 u版的实现准则（实现部分）：蓝色对于GT,黄色对于是Anchor 模板。将每一个GT与anchor 模板左上角进行一个重合再计算IOU，通过设置一个阈值比如0.3，大于0.3阈值的我们都会变成正样本，即第二个模板中满足条件。然后将GT映射到Grid网格（预测特征层上），黑色圆点对应的是GT的中心点。GT中心点落在哪个cell中，就由该cell当中满足阈值的模板作为正样本。通过此方法大大加大原论文中正样本数目，因为原论文中仅仅把只和GT重合度最高的anchor作为正样本数目。

在这里插入图片描述

损失包括置信度损失、分类损失和定位损失，原论文中并没有给出损失计算公式。

在这里插入图片描述

置信度损失：confidence score使用的是逻辑回归，逻辑回归大部分采用二值交叉熵损失。oi表示预测目标边界框与真实目标边界框的IOU,蓝色代表anchor(bounding box/prior)，绿色是GT box,通过预测目标边界框的偏移量应用到anchor上得到黄色的边界框，即预测目标边界框。绿色对应真实目标边界框，即黄色与绿色边界框的IOU交并比是oi.

在这里插入图片描述

类别损失：也采用二值交叉熵损失。Oij表示预测目标边界框i中是否存在第j类目标，如果存在即为1，不存在即为0.

在这里插入图片描述

预测概率加起来并不等于1，预测概率之和为1的是softmax函数，通过sigmoid函数并不一定为1，每一个预测值之间是互不干扰，相互独立。自定义公式与官方给的公式是一模一样。

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

t为网络预测回归参数，g^为对应真实中心点坐标以及宽高回归参数，预测值-真实值，再取平方，最后再求和。g为对应GT中心的坐标以及宽高参数(gt映射到对应的网格当中）。

四、YOLOV3 SPP

在这里插入图片描述

4.1 YOLOv3-spp使用了Mosaic图像增强，SPP模块和CLOU loss.默认不使用Focal loss。

在这里插入图片描述

总结:Mosaic图像增强就是将多张图片进行输入进入训练。理论上batsize越高对于BN越好，但是由于设备受限，不一定能达到理想。此时将多张图片输入到网络中等价于将batsize增加。

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

4.2 YOLOv3-spp和YOLOv3相比，在第一个预测特征层上增加了一个SPP结构。

在这里插入图片描述

SPP结构：四个分支。分别是直接输出、一个池化5x5、一个池化9x9、一个池化13x13(步距都是1），通过padding填充之后高度和宽度以及深度都没有发生变化。最后再进行concatenate拼接。通过这个SPP就实现了不同尺度的特征融合。

在经过darknet-53主干后，通过三个卷积之后变成16x16x512.然后再经过SPP结构，输出尺寸不变，深度变为原来的四倍。即变成16x16x2048.

SPP结构就是将不同分支的深度进行拼接，尺寸不变，通道数增分支倍数。

在这里插入图片描述

理论上也可以将第二个输出和第三个输出之间再增加SPP结构，但是实验表明增加了多个SPP模块提高性能并不特别高，而且推理时间也增加了。（下图）

在这里插入图片描述

4.3 之前的YOLOv3损失采用的是差值平方的计算方法，L2损失。

在这里插入图片描述

YOLOV3 SPP损失是一系列 iou loss：iou loss、glou loss、SDIOU CLOU.其中SDIOU CLOU损失是在同一篇论文提出的。

在这里插入图片描述

1.IOU loss：绿色代表GT box,黑色代表预测边界框。第三个预测效果较前两个好。他们l2损失都是一样的。IOU LOSS=1-IOU另一个常见计算公式。当两个框没有交集，即 IOU loss为0.

在这里插入图片描述

2.GIOU loss：绿色代表GT box（真实边界框）,红色代表预测边界框。蓝色边界框代表用最小的矩形边界框框住。蓝色边界框面积即为Ac,两个边界框的并集即为U。

当两个框是完全重合时候，AC最小的矩形边界框=U两个边界框的并集，即GLOU为IOU=1。

当两个框是完全分开时候，AC最小的矩形边界框是无穷，U两个边界框的并集是一个常数，IOU趋近于0，后面趋近于1，所以是-1。

综上：GIOU在-1和1之间。

giou LOSS=1-GIOU 在某些情况下GIOU=iou

在这里插入图片描述
在这里插入图片描述

3.dIOU loss：左边上图是GIOU，下图是DIOU.黑色是anchor，绿色是真实边界框，蓝色是预测边界框。左图想说明是DIOU可以迭代相同次数甚至更小的迭代次数达到比GIOU更好的重合预测。

右边图说明了三组图片的GIOU，IOU相同，但是diou不相同。

在这里插入图片描述

B代表预测边界框的中心坐标（黑色），Bgt代表真实目标边界框的中心坐标（蓝色）,c代表最小外接矩形的最小距离。

当两个边界框完美重合时候，d两个边界框的中心距离为0，iou=1

当两个边界框相聚无穷远时候，d和c比值为1.iou=0

综上:diou在[-1,1]

DIOU LOSS=1-DIOU

在这里插入图片描述

4.CIOU loss：损失最重要的三个参数：重叠面积（IOU） 中心点距离(DLOU) 长宽比(clou)

在这里插入图片描述

介绍了IOU GIOU DIOU CIOU理论之后，发现使用CLOU的效果比GIOU好很多。有时候和调参也有关系，不一定CLOU就效果非常好。

在这里插入图片描述

4.4 之前的YOLOv3尝试使用Focal LOSS结果效果并不好，甚至MAP还降低了两个点.但有的使用之后效果还可以，如左图的使用之后效果增加了几个点。

在这里插入图片描述

Focal Loss针对单阶段目标检测网络:解决正负样本不平衡的问题。使用Focal Loss之后效果还可以，相比于hard negative mining(选取损失比较大的负样本）

在这里插入图片描述

Focal Loss针对单阶段目标检测网络:解决正负样本不平衡的问题。

在这里插入图片描述

a引入解决正负样本匹配数目不平衡的情况。

在这里插入图片描述

这个参数降低易分样本的损失贡献的情况。

在这里插入图片描述

这个综合上面两个参数的情况。

在这里插入图片描述

第一列表示预测概率p,第二列表示真实标签（1正样本，0负样本），CE最原始二分类交叉熵损失，FL就是Focal loss，rate是CE/FL.

阿康Obliviate
关注
  • 2
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
yolov5-3.1版本训练时可能会报错及修改方法汇总
08-20
yolov5-3.1 版本训练时可能会报错及修改方法汇总 yolov5-3.1 版本在训练时可能会出现多种错误，这些错误会导致训练失败或中断。下面我们来详细介绍这些错误及其修改方法。 一、 RuntimeError: a view of a leaf ...
YOLOV5转换模型为om模型文件脚本
09-18
YOLO（You Only Look Once）系列模型以其快速和准确的特性著称，YOLOV5是该系列的最新版本，采用了更先进的网络设计，如SPP-Block（Spatial Pyramid Pooling）和Path Aggregation Network（PANet），提升了小目标...
YOLOv1，YOLOv2，YOLOv3解读
努力充实，远方可期
02-27 7909
单阶段 YOLO 推荐论文翻译：https://www.jianshu.com/p/a2a22b0c4742 （md格式） 名字解释：You Only Look Once: Unified, Real-Time Object Detection You Only Look Once说的是只需要一次CNN运算，Unified指的是这是一个统一的框架，提供end-to-end的预测，而Real-Tim...
目标检测：yolov1、yolov2、yolov3的对比理解
y459541195的博客
11-05 2628
目标检测
YOLOV3论文阅读（学习笔记）
thy0000的博客
03-20 7252
cv小白的yolov3学习笔记总结论文下载地址：YOLOv3: An Incremental Improvement yolov网址：https://pjreddie.com/darknet/yolo/yolov3是yolov系列的第三个版本，yolov1和yolov2分别发表在2016和2017年的CVPR上。yolo系列算法是基于深度学习和卷积神经网络的单阶段通用目标检测算法，把目标检测问题转化为回归问题，不需要经过提取候选框的冗余问题。yolov3网络体积比yolov2网络更大，更深，但是准确度更高。
目标检测中IOU GIOU DIOU CIOU的理解
dujuancao11的博客
08-14 697
目标检测中IOU GIOU DIOU CIOU的理解 https://blog.csdn.net/weixin_43868576/article/details/108204179
YOLO模型——重点讲解网格grid与边界框bounding boxes思想
weixin_62108939的博客
12-28 1375
在看论文或者别人的介绍中，网格和边界框的是一起出现的，分网格勉强可以理解，边界框也可以理解，但我想，初学者最大的疑问莫过于网格和边界框是怎么配合的？以及最大的问题怎么保证每个网格有B个边界框呢？之所以出现这样的疑问，我觉得是在学习，讲解YOLO的顺序不对。
yolov5四种模型对应的权重文件
02-13
YOLOv5是一种高效且准确的目标检测框架，由Joseph Redmon等人在2016年首次引入YOLO（You Only Look Once）系列。这个框架以其实时处理速度和高精度而闻名，尤其适用于图像识别和物体检测任务。在YOLOv5的最新版本v...
yolov5-3.1.zip
最新发布
05-06
YOLOv5是YOLO（You Only Look Once）系列目标检测模型的最新版本，由 Ultralytics 团队开发。这个3.1版本是该模型的一个更新迭代，旨在提高检测速度和精度，同时保持模型的简洁性和易用性。在本文中，我们将深入探讨...
基于YOLOv3的煤矸识别系统.docx
11-01
相比YOLOv2，YOLOv3引入了多尺度预测，能够在不同层次的特征图上检测不同大小的目标。此外，还引入了特征金字塔网络（Feature Pyramid Network, FPN）的概念，增强了对小目标的检测能力。 1.3 YOLOv3的目标检测流程...
yolov2-yolov3_PyTorch
05-04
更新 最近，我正在尝试优化该项目。 也许大约一个或多个星期，我将上传最新结果，并提供更好的火车，测试和评估代码版本。 我希望这个版本的yolo可以对每个对对象检测感兴趣的人提供帮助。 YOLOv3-SPP和YOLOv3-Plus 我正在尝试使用SPP，PAN和更多其他模块和技巧来构建更好的YOLOv3。 我真诚地建议大家使用我的新项目。 更好〜 这个项目 在这个项目中，您可以享受： YOLOv2 YOLOv3 YOLOv3Spp SlimYOLOv2 TinyYOLOv3 我要说的是，我不尝试100％复制整个YOLO官方项目，因为这对我来说真的很难。 我没有太多的计算资源，所以我无法在COCO上训练我的yolov3。 这将花费两个多星期的时间... 最近，我做了一些改进，并且我的yolo项目与官方的yolo模型非常接近。 我将再次上传新模型。 等一下〜 但是，我有一
YOLOv3目标检测：原理与源码解析
06-07
Linux创始人LinusTorvalds有一句名言：Talk is cheap, Show me the code.（冗谈不够，放码过来！）。 代码阅读是从入门到提高的必由之路。尤其对深度学习，许多框架隐藏了神经网络底层的实现，只能在上层调包使用，对其内部原理很难认识清晰，不利于进一步优化和创新。  YOLOv3是一种基于深度学习的端到端实时目标检测方法，以速度快见长。YOLOv3的实现Darknet是使用C语言开发的轻型开源深度学习框架，依赖少，可移植性好，可以作为很好的代码阅读案例，让我们深入探究其实现原理。  本课程将解析YOLOv3的实现原理和源码，具体内容包括： YOLO目标检测原理  神经网络及Darknet的C语言实现，尤其是反向传播的梯度求解和误差计算 代码阅读工具及方法 深度学习计算的利器：BLAS和GEMM GPU的CUDA编程方法及在Darknet的应用 YOLOv3的程序流程及各层的源码解析本课程将提供注释后的Darknet的源码程序文件。  除本课程《YOLOv3目标检测：原理与源码解析》外，本人推出了有关YOLOv3目标检测的系列课程，包括：   《YOLOv3目标检测实战：训练自己的数据集》  《YOLOv3目标检测实战：交通标志识别》  《YOLOv3目标检测：原理与源码解析》  《YOLOv3目标检测：网络模型改进方法》 建议先学习课程《YOLOv3目标检测实战：训练自己的数据集》或课程《YOLOv3目标检测实战：交通标志识别》，对YOLOv3的使用方法了解以后再学习本课程。
Yolo 目标检测总结帖（yolov3,yolov2）
热门推荐
uncle_ll的博客
06-27 1万+
由于项目的需求，需要完成一个目标检测的任务，经过个人一段时间的实践，现将自己实现的功能以及体验过的事情在这里做个总结，以便后续查看，也让其它人少走一些弯路，在这个过程中参考了一些博客，便于入门与提升。 个人将大多数的时间花费在yolov3上，其精度效果会比yolov2的效果要好，但仿真和测试时间会花费一倍左右的时间，并且将yolov3的过程弄明白之后，yolov2如何跑动只是更改部分参...
YOLOv3: An Incremental Improvement
m0_55308155的博客
07-24 1152
YOLOv3: An Incremental Improvement
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...
yolo类检测算法解析——yolo v3
abc1676167的专栏
03-27 594
每当听到有人问“如何入门计算机视觉”这个问题时，其实我内心是拒绝的，为什么呢？因为我们说的计算机视觉的发展史可谓很长了，它的分支很多，而且理论那是错综复杂交相辉映，就好像数学一样，如何学习数学？这问题似乎有点笼统、有点宽泛。所以我都会具体问问你想入门计算机视觉的哪个话题，只有顺着一个话题理论联合实际，才有可能扩展到几个话题。 yolo类算法，从开始到现在已经有了3代，我们称之为v1、v...
YOLOv2和YOLOv3的anchor大小有什么区别？
z5217632的博客
11-12 3555
在YOLOv2中，作者用最后一层feature map的相对大小来定义anchor大小。也就是说，在YOLOv2中，输入图像大小为416*416，下采样32倍得到最后一层feature map大小为13X13，相对的anchor大小范围就在（0x0，13x13]，如果一个anchor大小是9x9，那么其在原图上的实际大小应该放大32倍，就是288x288. 而在YOLOv3中，作者又改用相对于原图...
yolov2, yolov3对比要点总结
northeastsqure的专栏
11-18 504
1.yolov2 结构图，简述 2. yolov3,重新训练，更改class_num, 前一层卷积num_output,yolov3层都做了什么 https://github.com/eric612/MobileNet-YOLO/issues/12 3.yolov3 lite, 比yolov3 有哪些改变？ https://github.com/eric612/MobileNet-YOLO/blob/master/models/yolov3/mobilenet_yolov3_train.prot
YOLOv2与YOLOv3学习笔记
月见樽
07-03 284
部分行间公式由于未知问题无法渲染，公式完整版请移步个人博客 基本思路 YOLOv2是YOLO的第二个版本，该物品检测系统仍然只需要“Look Once”，其整体结构如下所示： yolo_main.png 其主要由两个部分构成： 神经网络：将图片计算为一个13\times 13 \times 125的向量，该向量包含了预测的物品位置和类别信...
YOLO系列详解：从YOLOv1到YOLOv2
"YOLO系列PPT详细解读YOLOv1和YOLOv2的物体检测技术" YOLO，全称为"You Only Look Once"，是由Joseph Redmon等人提出的一种实时物体检测系统。它以其高效、实时性以及端到端的训练方式在计算机视觉领域引起了广泛...

“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 2
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

阿康Obliviate

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