![](https://img-blog.csdnimg.cn/20201014180756757.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
YOLO系列
文章平均质量分 93
AILOCK
媳妇说,不会C++不让进房。
展开
-
YOLOV9翻译
如今的深度学习方法主要关注如何设计最合适的目标函数,从而使模型的预测结果最接近 Ground-Truth。与此同时,还必须设计一个合适的架构,以方便获取足够的预测信息。现有方法忽略了一个事实,即输入数据经过逐层特征提取和空间转换后,会丢失大量信息。本文将深入探讨数据通过深度网络传输时数据丢失的重要问题,即信息瓶颈和可逆函数。我们提出了可编程梯度信息(PGI)的概念,以应对深度网络为实现多种目标所需的各种变化。PGI 可以为计算目标函数的目标任务提供完整的输入信息,从而获得可靠的梯度信息来更新网络权重。原创 2024-07-23 11:38:28 · 980 阅读 · 0 评论 -
YOLOv7翻译
实时目标检测是计算机视觉领域最重要的研究课题之一。随着有关架构优化和训练优化的新方法不断被开发出来,我们发现在处理这些最新的先进方法时产生了两个研究课题。为了解决这两个问题,我们提出了一种可训练的自由包导向解决方案。我们将灵活高效的训练工具与所提出的架构和复合缩放方法相结合。在 5 FPS 到 120 FPS 的范围内,YOLOv7 在速度和准确性上都超越了所有已知的目标检测器,并且在 GPU V100 上 30 FPS 或更高的所有已知实时目标检测器中,YOLOv7 具有最高的准确性 56.8% AP。原创 2024-07-18 16:28:26 · 686 阅读 · 0 评论 -
YOLOv6翻译
多年来,YOLO 系列一直是高效目标检测的行业标准。YOLO 社区蓬勃发展,丰富了其在众多硬件平台和丰富场景中的应用。在本技术报告中,我们努力将其极限推向更高水平,以坚定不移的态度推进行业应用。考虑到现实环境中对速度和精度的不同要求,我们广泛研究了工业界或学术界的最新物体检测进展。具体来说,我们大量吸收了最新的网络设计、训练策略、测试技术、量化和优化方法。在此基础上,我们结合自己的想法和实践,构建了一套不同规模的部署网络,以适应多样化的使用案例。在征得 YOLO 作者的同意后,我们将其命名为 YOLOv6。原创 2024-07-17 16:15:17 · 532 阅读 · 0 评论 -
YOLOV4翻译
据说有大量特征可以提高卷积神经网络(CNN)的准确性。我们需要在大型数据集上对这些特征的组合进行实际测试,并对结果进行理论论证。有些特征只适用于某些模型,只适用于某些问题,或只适用于小规模数据集;而有些特征,如批次归一化和残差连接,则适用于大多数模型、任务和数据集。原创 2024-07-16 16:40:59 · 796 阅读 · 0 评论 -
YOLOV3翻译
我们对 YOLO 进行了一些更新!我们在设计上做了一些小改动,使它变得更好。我们还训练了一个新的网络,它非常强大。在模型上,它比上次的大了一点,但更准确了,不过速度还是很快,不用担心。在 320×320 时,YOLOv3 以 28.2 mAP 在 22 毫秒内运行,与 SSD 一样精确,但速度快三倍。当我们使用旧的 0.5 IOU mAP 检测指标时,YOLOv3 的表现相当不错。原创 2024-07-15 17:09:19 · 551 阅读 · 0 评论 -
YOLOV2翻译
我们介绍的 YOLO9000 是最先进的实时目标检测系统,可检测 9000 多个目标类别。首先,我们对 YOLO 检测方法提出了各种改进建议,其中既有新颖之处,也有借鉴先前研究成果的地方。改进后的模型 YOLOv2 在标准检测任务(如 PASCAL VOC 和 COCO)中处于一流水平。利用新颖的多尺度训练方法,同一 YOLOv2 模型可以在不同的尺寸下运行,从而在速度和准确性之间轻松做出权衡。在 67 FPS 下,YOLOv2 在 VOC 2007 上获得了 76.8 mAP。原创 2024-07-12 16:20:36 · 531 阅读 · 0 评论 -
YOLOv1翻译(You Only Look Once: Unified, Real-Time Object Detection)
我们发表了 YOLO,一种新的目标检测方法。先前关于目标检测的工作重新利用分类器来执行检测。取而代之的是,我们将目标检测构建成一个回归问题,该回归问题指向空间上分离的边界框和相关的类概率。单个神经网络可在一次评估中直接从完整图像预测边界框和类别概率。由于整个检测pipeline是单一网络,因此可以直接在检测性能上进行端到端的优化。我们的统一架构在执行上速度极快。我们的base YOLO 模型以45 帧/秒的速度实时处理图像。原创 2024-07-12 15:02:03 · 715 阅读 · 0 评论