yolov3的缺点_YOLOV3问答式解读

最新推荐文章于 2024-03-19 17:15:58 发布
最新推荐文章于 2024-03-19 17:15:58 发布
阅读量2k 收藏 6
点赞数
文章标签： yolov3的缺点
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/weixin_30663789/article/details/113689449
版权

一、YOLOV3相比上个版本有哪些改进策略？

答：1、加入了FPN结构 2、使用残差结构，这样可以构建更深的网络结构，由darknet19变成darknet53.

二、如何理解anchor boxes的作用？

答：1、关于anchor box最早是在faster-rcnn中出现，最早的目标检测都要金字塔多尺度+遍历滑窗的方式，逐尺度逐位置判断"这个尺度的这个位置处有没有认识的目标"，非常笨重耗时。

fast-rcnn提出的RPN是一个conv3x3+两个并列的conv1x1，一边预测anchor中是否包含目标，一边预测目标框偏离固定anchor多远。

所以anchors的作用一方面是代替耗时的显式 的密集滑窗方法，另一方面式取代了显式SSP，解决多尺度问题，代替ssp，每个特征图上的点对应若干个anchors，这些anhors大小尺寸可以基本覆盖到检测目标此寸，范围。

而在yolo模型中anchors的作用也是类似的。

当然anchors优缺点如下：

1. 优点：

(1)使用anchor机制产生密集的anchor box，使得网络可直接在此基础上进行目标分类及边界框坐标回归；

(2)密集的anchor box可有效提高网络目标召回能力，对于小目标检测来说提升非常明显。

2. 缺点：

(1)anchor机制中，需要设定的超参：尺度(scale)和长宽比( aspect ratio)是比较难设计的。这需要较强的先验知识。

(2)冗余框非常之多：一张图像内的目标毕竟是有限的࿰

最低0.47元/天 解锁文章
聊天吗
关注
  • 0
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
yolov3算法优点缺点_优点缺点
weixin_26752765的博客
08-12 9065
yolov3算法优点缺点Naive Bayes: A classification algorithm under a supervised learning group based on Probabilistic logic. This is one of the simplest machine learning algorithms of all. Logistic regression ...
yolov3的缺点_深度学习目标检测YOLOv3论文解读
weixin_26750831的博客
01-07 1407
前言YOLO v3的模型比之前的模型复杂了不少，之前的算法既有保留又有改进。yolo每一代的提升很大一部分决定于backbone网络的提升，从v2的darknet-19到v3的darknet-53。yolo_v3还提供替换backbone——tiny darknet。要想性能牛叉，backbone可以用Darknet-53，要想轻量高速，可以用tiny-darknet。总之，yolo就是天生“灵活...
【深度学习进阶】02目标检测理论：一阶段方法YOLO v1-v3、SSD、RetinaNet、FCOS网络对比分析
ShiTianlei的博客
10-05 2760
目标检测任务中SSD、RetinaNet、YOLO v1算法的简要介绍
YOLOV1-V9发展历程(1) (V1-V5)
最新发布
Zssss12的博客
03-19 2207
1、准确 （候选框多，效果自然好一些）1、慢 2、候选框太小不能看到整个图像的全景（管中窥豹）（会丢失信息：背景|背景和前景之间的关系|不同物体之间的关系|全图的关系）速度快，不需要复杂的上下游产业链的协同，也不需要对每一个工序单独的训练和优化，是一个，端到端，完整统一的框架但准确率不高，对小目标和密集目标识别效果不好（当然这是以前的说法了）better：比V1性能提升。准确率高Faster：比V1更快Strong：V2能检测9000多种类别。
YoloV1——总结
weixin_44384491的博客
03-14 5326
1.概述 YoloV1是一个快速、准确的目标检测网络，优缺点如下： 优点： 1.具备实时性，网络运行速度超过45fps 3.网络结构简单，端到端 4.可用于多种对象的检测 缺点： 1.目标定位较粗糙 2.对小目标检测不太好 3.每个cell只能生成2个框，并且只能有一个类 2.网络结构 说明：网络有24个卷积层，然后是2个完全连接的层。交替的1×1个卷积层减少了前一层的特征空间。 3.检测过程 1.输入一张图片 2.系统将图片分割为一个的网格，如果一个对象的中心落入一个网格单
AI大视觉（四) | Yolo v3 的改进思想
aibigtruth的博客
06-09 3713
本文来自公众号“AI大道理” 转自 | 青云 原文 | https://blog.csdn.net/m0_45962052/article/details/105199178 ​ YOLO v3 是目前工业界用的非常多的目标检测的算法。 YOLO v3 没有太多的创新，主要是借鉴一些好的方案融合到 YOLO v2 里面。 不过效果还是不错的，在保持速度优势的前提下，提升了预测精度，尤其是加强了对小物体的识别能力。 YOLO v3 主要的改进有： （1）调整了网络结构； （2）利用多尺..
基于codeigniter3的问答系统
02-04
基于codeigniter3的问答系统，也是引用开源项目给自己学习和工作中使用中，并且无私收集分享给大家。
yahoo.zip_yahoo 采集_英文问答 采集
09-21
本程序为yahoo英文问答网 采集目标站为http://www.fangbeta.com/yahoo/ ...伪静态+伪原创 3.自定义模板+自定义伪静态路径 4.动态与静态模板切换功能 5.缓存功能 6.蜘蛛来访记录查询功能 7.文章ID屏蔽功能 8.php探针查看
css3列表FAQ问答特效特效代码
03-20
3D立体电视十大重要问答
10-24
近来关于最新型3D电视的消息充斥新闻版面，一部分大概要归功于3D电影《Avatar》席捲全世界电影票房的威力，另一 ...
faq.rar_FAQ_jsp faq_jsp 问答_jsp代码_问答
09-23
文件都是jsp代码，数据库连接也是通过jsp实现，实现在线问答功能
YOLOv3 训练日志
03-30
为了解决一部分童鞋的疑惑，训练时候的各个参数是否正常。 今天又重新训了一次，截取前200次迭代日志。方便大家参考对照。
yolo算法的优缺点分析_【精选推荐】基于深度学习的单阶段目标检测算法研究综述...
weixin_29913535的博客
01-06 1万+
DOI:10.12132/ISSN.1673-5048.2019.0100引用格式刘俊明,孟卫华. 基于深度学习的单阶段目标检测算法研究综述[J]. 航空兵器, 2020, 27(3): 44-53.Liu Junming,Meng Weihua. Review on Single-Stage Object Detection Algorithm Based on Deep Lear...
yolov3的缺点_yolov3原理及其开源实现分析
weixin_36171481的博客
01-07 2045
下文中的开源实现以腾讯的OneDetection作为分析对象。yolo v3基本原理：相对于yolo v2，yolo v3做了如下改进：更换了backbone网络，使用darknet53,没有pool层，全部使用卷积，降采样5次使用类似于FPN的技术，融合多层特征预测对分类和置信度使用二分类交叉熵(v1和v2全部使用MSE)yolo v3是2018年出来的，比SSD和retinanet都...
yolov3系列(零)-yolov3详解
GeekPlusA的博客
09-01 2113
论 文 https://pjreddie.com/media/files/papers/YOLOv3.pdf 翻译 https://zhuanlan.zhihu.com/p/34945787 yoloV3主页： https://pjreddie.com/darknet/yolo/ yolo系列的目标检测算法可以说是目标检测史上的宏篇巨作，v3算法是在v1、v2基础上形成的，先看下 yolov1、yolov2 1.网络结构 下图为yolov3的网络结构 DBL(Darknetconv2d_BN_Leaky
yolov3模型识别不出训练图片_YOLOv3：训练自己的数据（附优化与问题总结）
weixin_39562606的博客
12-19 864
如何批量检测？可以看我github的修改，也可以按照下面的修改。修改传送门首先在添加一个获取图片名字的函数：#include "darknet.h"#include static int coco_ids[]={1,2,3,4,5,6,7,8,9,10,11,13,14,15,16,17,18,19,20,21,22,23,24,25,27,28,31,32,33,34,35,36,37,38,3...
期待已久的—YOLO V3
gzq0723的博客
04-13 2万+
好久不见各位研友（研究好友，不是考研的小伙伴，嘿嘿）！最近，因为题主学校事情比较繁忙，没有花更多的时间在我们的平台，希望关注支持我们的您，原谅我们更新的速度，希望大家继续支持我们，谢谢！刚结束自己的手头事情，就想到给大家更新点东西，然后就想到了YOLO V3的东西，因为之前自己有认真研读，发现确实了不起的框架，但是如果有对V1和V2了解的，一定很熟悉了，今天我就和大家来分享下最近的框架——YOLO
YOLOv3——引入：FPN+多尺度检测 (目标检测)(one-stage)(深度学习)(CVPR 2018)
热门推荐
星智云图StarImagine
11-22 3万+
论文名称：《 YOLOv3: An Incremental Improvement 》 论文下载：https://pjreddie.com/media/files/papers/YOLOv3.pdf 论文代码:   https://github.com/pjreddie/darknet 一、算法特点： 1、基本思想： YOLO系算法的思想都是，首先通过特征提取网络对输入图像提取特征，...
yolo类检测算法解析——yolo v3
abc1676167的专栏
03-27 586
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...
Python tkinter+sqlit3智力问答设计
05-18
好的，下面是一个简单的示例代码，实现了基于Python tkinter和sqlite3的智力问答设计。 ```python import tkinter as tk import sqlite3 # 创建数据库连接 conn = sqlite3.connect('quiz.db') c = conn.cursor() # 创建问题表 c.execute('''CREATE TABLE IF NOT EXISTS questions (id INTEGER PRIMARY KEY AUTOINCREMENT, question TEXT, answer TEXT)''') # 插入问题数据 c.execute("INSERT INTO questions (question, answer) VALUES (?, ?)", ('什么是Python?', '一种高级编程语言')) c.execute("INSERT INTO questions (question, answer) VALUES (?, ?)", ('Python的创始人是谁?', 'Guido van Rossum')) c.execute("INSERT INTO questions (question, answer) VALUES (?, ?)", ('Python中如何定义一个函数?', 'def function_name(parameters):')) # 提交更改并关闭数据库连接 conn.commit() conn.close() # 创建窗口 root = tk.Tk() root.title('智力问答') # 创建问题标签 question_label = tk.Label(root, text='问题:', font=('Arial', 16)) question_label.pack(pady=10) # 创建问题文本框 question_text = tk.Text(root, font=('Arial', 14), width=40, height=5) question_text.pack() # 创建答案标签 answer_label = tk.Label(root, text='答案:', font=('Arial', 16)) answer_label.pack(pady=10) # 创建答案文本框 answer_text = tk.Text(root, font=('Arial', 14), width=40, height=5) answer_text.pack() # 创建下一题按钮 def next_question(): # 获取下一道问题 conn = sqlite3.connect('quiz.db') c = conn.cursor() c.execute('SELECT * FROM questions ORDER BY RANDOM() LIMIT 1') row = c.fetchone() conn.close() # 显示问题和清空答案 question_text.delete(1.0, tk.END) question_text.insert(tk.END, row[1]) answer_text.delete(1.0, tk.END) next_button = tk.Button(root, text='下一题', font=('Arial', 14), command=next_question) next_button.pack(pady=10) # 创建检查答案按钮 def check_answer(): # 获取当前问题的答案 conn = sqlite3.connect('quiz.db') c = conn.cursor() c.execute("SELECT answer FROM questions WHERE question=?", (question_text.get(1.0, tk.END).strip(),)) row = c.fetchone() conn.close() # 检查答案并显示结果 if row: if answer_text.get(1.0, tk.END).strip() == row[0]: tk.messagebox.showinfo('结果', '答案正确!') else: tk.messagebox.showerror('结果', '答案错误!') else: tk.messagebox.showerror('错误', '未找到该问题的答案!') check_button = tk.Button(root, text='检查答案', font=('Arial', 14), command=check_answer) check_button.pack(pady=10) # 显示第一道问题 next_question() # 运行窗口 root.mainloop() ``` 在这个示例代码中，我们首先创建了一个sqlite3数据库，并在其中创建了一个问题表，并插入了一些问题数据。 然后，我们使用Python tkinter创建了一个窗口，包含问题文本框、答案文本框、下一题按钮和检查答案按钮。当点击下一题按钮时，窗口将显示一个随机的问题，并清空答案文本框。当点击检查答案按钮时，窗口将检查当前问题的答案，并显示相应的结果。 需要注意的是，这只是一个基本示例代码，您可以根据自己的需求进行修改和扩展。例如，您可以添加更多的问题和答案，或者改变问题和答案的格式。

“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
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