一文读懂 YOLOv1,v2,v3,v4 发展史

最新推荐文章于 2024-06-14 08:50:32 发布
最新推荐文章于 2024-06-14 08:50:32 发布
阅读量7.9k 收藏 52
点赞数 7
分类专栏： # 分析总结 文章标签： python 计算机视觉 神经网络
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_38673554/article/details/106009117
版权

YOLO 系列算法是目标检测 one-stage 类的代表算法，本文将从 问题背景，创新点等方面比较，了解它们的的发展历程。

two-stage 相关： 一文读懂 R-CNN，Fast R-CNN，Faster R-CNN 发展史

文章目录

一、任务描述

目标检测是为了解决图像里的物体是什么，在哪里的问题。输入一幅图像，输出的是图像里每个物体的类别和位置，其中位置用一个包含物体的框表示。
查看源图像

需要注意，我们的目标，同时也是论文中常说的感兴趣的物体，指我们关心的类别（行人检测只检测人，交通检测只关心交通工具等），或者数据集包含的类别，并不是图像里所有的物体都是目标，比如建筑，草坪也是物体，但他们常常是背景。

从计算机视觉的角度看，目标检测是分类+定位，从机器学习的角度看，目标检测是分类+回归。

二、设计思想

目标检测架构分为两种，一种是two-stage，一种是one-stage，区别就在于 two-stage 有region proposal 过程，类似于一种海选过程，网络会根据候选区域生成位置和类别，而 one-stage 直接从图片生成位置和类别。

今天提到的 YOLO 就是一种 one-stage 方法。

YOLO 是 You Only Look Once 的缩写，意思是神经网络只需要看一次图片，就能输出结果。

img

YOLO 一共发布了四个版本，其中 YOLOv1 奠定了整个系列的基础，后面的系列就是在第一版基础上的改进，只为提升性能。

YOLO的检测方法如下：

  • 将输入图像划分为 S×S 网格（grid），比如这里划分成 7×7=49 个 grid，如果目标的中心落入网格单元，则该网格单元负责检测该目标。注意不是整个物体落入单元格，只需要物体中心在即可。
    在这里插入图片描述
  • 每个网格单元预测 B（文中 B=2） 个边界框和这些框的置信度得分。这个分数反映这个框包含物体的概率 Pr(Object) 以及预测框的位置准确性 IOU，所以置信分数也由这两部分定义：
  • 每个 bounding box 都要包含 5 个预测值，x, y, w, h, confidence。（x,y）框中心是相对于网格单元的坐标，w 和 h 是框相当于整幅图的宽和高，confidence 代表该框与 ground truth 之间的 IOU（框里没有物体分数直接为 0 ）
    在这里插入图片描述
  • 因为位置和类别需要同时预测，所以每个单元格除了输出 bounding box 也输出物体的条件概率（该物体属于某一类的概率，当然这些概率以包含对象的网格单元为条件）。每个网格单元输出一个概率集合，不考虑这个 grid 预测几个 bounding box。
    在这里插入图片描述
  • 测试阶段，在测试时，我们将条件分类概率与各个框的置信度预测相乘，作为每个框特定于每个类的置信分数（这个分数编码了类别和位置两部分信息）。

与 R-CNN 系列方法相比：

  • R-CNN 及其变体采用 region proposals 而不是滑动窗口法找物体，是一种多阶段方法。调网络的时候需要分开调，运行慢。

  • YOLO 与 R-CNN 相似的地方是在网格单元找可能的边界框，用 CNN 提取特征。不同的是，加在网格单元的空间限制有助于防止同一个目标的重复检测，预测的边界框也少（98 个），还有把多个阶段结合成一个阶段。

三、发展历程

1. YOLOv1

问题背景

之前 two-stage 方法如 R-CNN 把检测问题分成两部分，先生成候选区域（region proposal），再用分类器对区域分类，多阶段训练导致不易优化。

创新点

把检测当作回归问题，用一个网络输出位置和类别，实现了一个 unified system，从检测的角度是 one-stage的

训练流程

和 R-CNN 差不多

  • 首先 ImageNet 1000类 竞赛数据集上对卷积层进行预训练
  • 然后再把网络根据检测任务微调

检测流程

  • 输入一幅多目标图像
  • 将图像划分成多个网格
  • 通过网络得到每个网格的分类概率，以及各网格预测的框+置信度
  • 针对每个框，把概率与置信分数相乘，作为每个框特定于每个类的置信分数
  • 输出位置和类别信息

优点

  • 快。因为回归问题没有复杂的流程（pipeline）。
  • 可以基于整幅图像预测（看全貌而不是只看部分）。与基于滑动窗口和区域提议的技术不同，YOLO在训练和测试期间会看到整个图像，因此它隐式地编码有关类及其外观的上下文信息。因为能看到图像全貌，与 Fast R-CNN 相比，YOLO 预测背景出错的次数少了一半。
  • 学习到物体的通用表示（generalizable representations），泛化能力好。因此，当训练集和测试集类型不同时，YOLO 的表现比 DPM 和 R-CNN 好得多，应用于新领域也很少出现崩溃的情况。

缺点

  • 空间限制：一个单元格只能预测两个框和一个类别，这种空间约束必然会限制预测的数量；
  • 难扩展：模型根据数据预测边界框，很难将其推广到具有新的或不同寻常的宽高比或配置的对象。由于输出层为全连接层，因此在检测时，YOLO 训练模型只支持与训练图像相同的输入分辨率。
  • 网络损失不具体：无论边界框的大小都用损失函数近似为检测性能，物体 IOU 误差和小物体 IOU 误差对网络训练中 loss 贡献值接近，但对于大边界框来说，小损失影响不大，对于小边界框，小错误对 IOU 影响较大，从而降低了物体检测的定位准确性。

2. YOLOv2

问题背景

  • YOLOv1 检测性能低
  • 当前的检测任务受数据集标签的限制（数据集必须有标签或通过分类赋予标签）。但是，标记检测图像比标记分类图像昂贵得多，所以检测数据和分类数据不是一个规模。

创新点

  • 针对第一个问题，使用一些方法提升 YOLOv1 的性能，得到 YOLOv2。
  • 针对第二个问题，提出了 ImageNet 和 COCO 数据集的结合方法，以及联合训练方法，训练 YOLOv2 后得到的模型叫 YOLO9000。

提升性能的方法

  • Accuracy: Batch Normalization, High Resolution Classifier, Convolutional With Anchor Boxes, , Direct location prediction, Fine-Grained Features, Multi-Scale Training
  • Speed: 提出一个新网络 Darknet-19

训练流程
论文提出了一种联合训练算法，该算法可以在检测和分类数据上训练目标检测器。 利用标记的检测图像来学习精准定位，同时使用分类图像来增加其“词汇量”和健壮性。

  • 分类检测数据集结合方法：

    检测数据集的标签少且普通，分类数据集的标签多且具体，如果我们想在两个数据集上训练，就得把它们的标签合并起来。很多分类方法都用一个 softmax layer ，但它的前提是假设所有类互斥，但我们的数据集类别是不都是互斥的（有可能是包含关系，例如狗和金毛犬），所以我们使用了一个多标签模型来组合数据集（无互斥的要求），及使用多个 softmax 。

    大多数分类方法都假定标签采用扁平结构，但是对于组合数据集我们需要层次化的结构。
    ImageNet 标签采用有向图结构。在这里，作者把数据集的结构简化为结构树（hierarchical tree）。

    通过改造图，最后得到一个 WordTree，这样每个节点/标签都有自己的概率，解决了类别之间不互斥的问题，就能在检测集和分类集上联合训练。

  • 联合训练方法：

    把检测和分类数据混合，训练过程中遇到带标签的检测图像，就基于 YOLOv2 整个损失函数进行反向传播，遇到分类图像，只反向传播网络的分类损失。

3. YOLOv3

问题背景

  • YOLOv3 的提出不是为了解决什么问题，整篇论文其实是技术报告。
  • YOLOv3 在 YOLOv2 基础上做了一些小改进，文章篇幅不长，核心思想和 YOLOv2、YOLO9000差不多。

模型改进

  • 边界框预测：定位任务采用 anchor box 预测边界框的方法，YOLOv3 使用逻辑回归为每个边界框都预测了一个分数 objectness score，打分依据是预测框与物体的重叠度。如果某个框的重叠度比其他框都高，它的分数就是 1，忽略那些不是最好的框且重叠度大于某一阈值（0.5）的框
  • 类别预测：和 YOLOv2 一样，YOLOv3 仍然采取多标签分类
  • 多尺度预测
  • 使用新网络 Darknet-53 提取特征

4. YOLOv4

问题背景

  • YOLO 原作者之前宣布退出CV界，YOLOv4 的作者其实不是前三篇 YOLO 的一作
  • YOLOv4 是对 YOLOv3 的一个改进。它的改进方法就是总结了几乎所有的检测技巧，又提出一点儿技巧，然后经过筛选，排列组合，挨个实验（ablation study）哪些方法有效。
  • 值得注意的是文章第二部分相关工作，简直就是目标检测的一个简单综述，阅读该部分，你就能了解模型及方法，如果它提到的每个方法你都了解，说明你在这个方向的研究较全面深入（我没达到）。

框架方法
下面这幅论文中的图介绍了 YOLOv4 检测器的构成及使用的训练方法，这些是经过大量实验选出的性能最好的组合

四、总结

回顾 YOLO 系列的发展，我们可以看出 YOLO 后期没有提出新颖的想法，更重视应用落地。
在这里插入图片描述
相关文章：

YOLOv1 解读：使用 unified system/ one-stage 实现目标检测
YOLOv2 解读：使 YOLO 检测更精准更快，尝试把分类检测数据集结合使用
YOLOv3 解读：小改动带来的性能大提升
YOLOv4 解读：CV 同学必读的目标检测技巧大合集

catOneTwo
关注
  • 7
    点赞
  • 踩
  • 52
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【全面认知YOLO系列】第一部分：YOLO系列模型发展史
今晚打老虎的专栏
04-07 2444
YOLO V1（You Only Look Once version 1）是YOLO系列模型的第一个版本，由Joseph Redmon等人于2015年提出。相比于传统的目标检测方法，YOLO V1采用了全新的设计思路和网络结构，实现了端到端的目标检测，具有较高的检测速度和简单的设计。网络结构：YOLO V1模型采用卷积神经网络（CNN）作为基础网络结构，在输入图像上进行卷积操作，提取图像特征。单次预测。
从YOLOv1到YOLOv8的YOLO系列最新综述【2023年4月】
热门推荐
关于我的学习记录
04-10 8万+
这是一篇2023.4.4发表的arXiv关于YOLO系列综述
YOLO发展史
m0_72129546的博客
11-18 1万+
YOLOV发展史
yolo系列的发展史
最新发布
lbr15660656263的博客
06-14 1703
定义：YOLO（You Only Look Once）个算法的名字就很形象——你只看一次（You Only Look Once），意味着它通过一次检测过程就能处理整张图片，而不需要像以前的算法那样分步骤处理。是一种单阶段（one-stage）的目标检测算法，其核心思想是将目标检测任务视为一个回归问题，通过单个神经网络直接预测图像中的物体类别和边界框。
一文了解YOLO家族技术演进史
GarryWang1248的博客
12-22 2376
YOLO 模型之所以出名，主要有两个原因：速度&准确性，以及快速可靠地检测图像中的对象的能力。在这篇博文中，我分享获得的见解 ，该论文深入研究了 YOLO 模型的技术演进历程，全面概述了 YOLO 框架的演变，涵盖了从最初的 YOLOv1 到最新的 YOLOv8 的所有 15 个模型。
YOLO系列发展史
qq_54372122的博客
03-14 4312
YOLO系列发展史
【杂记】YOLOv1至YOLOv8各版本发布时间及作者
卷子的博客
01-28 9546
YOLOv6，2022.6.23，美团。YOLOX，2021.7.20，旷世。
一文读懂YOLOV5与YOLOV4-新能源技术pdf
06-11
Alexey Bochkovskiy发表了一篇名为YOLOV4: Optimal Speed and Accuracy of Object Detection 的文章。YOLO V4是YOLO系列一个重大的更新，其在coco数据集上的平均精度(AP)和帧率精度(FPS)分别提高了10%和12%，并得到...
一文读懂YOLOv5 与 YOLOv4.pdf
06-24
微信公众号截取内容
一文读懂数据架构的进化史
02-24
首先从企业信息化发展阶段时，数据平台结构的程度来看。个人依照企业信息化，将数据平台阶段划分为：只有业务数据库——>中间库——>完善数据仓库（DW）——>数据集市（DataMart），顺序与阶段并不绝对正确，可能有...
一文读懂移动通信原理和移动通信系统发展历史-综合文档
05-22
一文读懂移动通信原理和移动通信系统发展历史
YOLO系列：YOLOv1,YOLOv2,YOLOv3,YOLOv4,YOLOv5简介
古月哲亭
09-21 1万+
原文链接： https://zhuanlan.zhihu.com/p/136382095 YOLO系列：YOLOv1,YOLOv2,YOLOv3,YOLOv4,YOLOv5简介YOLO系列是基于深度学习的回归方法。RCNN， Fast-RCNN，Faster-RCNN是基于深度学习的分类方法。YOLO官网：https://github.com/pjreddie/darknet​github.comYOLO v.s Faster R-CNN1.统一网络:YOLO没有显示求取region proposal的过程
【目标检测——YOLO系列】YOLOv1 —《You Only Look Once: Unified, Real-Time Object Detection》
qq_43456016的博客
06-05 1754
YOLOv1是一种**end to end**目标检测算法，由Joseph Redmon等人于2015年提出。它是一种基于单个神经网络的实时目标检测算法。YOLOv1的中文名称是"你只看一次"，这个名字源于算法的工作原理。相比于传统的目标检测算法，YOLOv1采用了全新的思路。**它将目标检测问题转化为一个回归问题，并将整个图像作为输入，一次性地在图像上进行目标检测和定位（单阶段检测模型这与传统的滑动窗口或区域提议方法不同，传统方法如RCNN系列（两阶段检测模型）**需要在图像上进行多次检测。
YOLO算法的发展历程
blzhizhuang的博客
09-05 1万+
一 目标检测问题 目标检测问题是模式识别问题的一种，它主要解决从图像中获取需要的物体类型以及位置的问题，输入一幅图像或者一帧视频，要输出图像中要求物体的类别和位置，其中的位置通常用一个框标记出来。在研究目标检测问题时，通常只考虑感兴趣的物体，比如人脸检测检测人脸，交通检测检测车辆等，而例如建筑物，天空之类的则不在考虑范围之列。 二 设计思想 目标检测有两种实现，一种是one-stage,另一种是two-stage，它们的区别如名称所体现的，two-stage有一个region proposal过程，可
YOLOv1,v2,v3,v4,v5 发展史
进击的龙
06-12 1万+
YOLO 系列算法是目标检测 one-stage 类的代表算法，本文将从 问题背景，创新点等方面比较，了解它们的的发展历程。 一、任务描述 目标检测是为了解决图像里的物体是什么，在哪里的问题。输入一幅图像，输出的是图像里每个物体的类别和位置，其中位置用一个包含物体的框表示。 需要注意，我们的目标，同时也是论文中常说的感兴趣的物体，指我们关心的类别（行人检测只检测人，交通检测只关心交通工具等），或者数据集包含的类别，并不是图像里所有的物体都是目标，比如建筑，草坪也是物体，但他们常常是背景。
yolo发展历史
qq_30206643的博客
03-13 1484
回顾 YOLO 系列的发展，我们可以看出 YOLO 后期没有提出新颖的想法，更重视应用落地。
YOLOv5基础知识入门（1）— YOLO算法的发展历程
突然好想你
03-10 3552
YOLO到目前为止总共发布了八个版本（截止笔者发稿），其中YOLOv1奠定了整个YOLO系列的基础，后面的YOLO算法是对其的不断改进创新。接下来，笔者将简单介绍一下YOLOv1-v5的发展历程，并重点介绍YOLOv5。
YOLO系列算法原理介绍
yangguidewxx的博客
09-05 5527
1. Yolo介绍： 1.1 YOLO： You Only Look Once，是一种基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以用于实时系统。 Joseph Redmon和Ali Farhadi等，2015年首次提出。 在2017年的CVPR上，Joseph Redmon和Ali Farhadi又提出了YOLO2，后又再次提出了YoloV3。 1.2 特点： 1. One-stage 2. 同时预测多个bbox和类别 3. 端到端的目标检测和识别 4. 速度更快： ----实现回
yolo进化史：从yolov1到yolov5之yolov1
weixin_43220532的博客
04-08 1401
文章目录一，概述二，yolov1三，yolov2四，yolov3五，yolov4六，yolov5七，总结 一，概述 二，yolov1 三，yolov2 四，yolov3 五，yolov4 六，yolov5 七，总结
一文读懂yolov5
08-30
Yolov5是一种用于目标检测的神经网络模型，它是对Yolov4的改进和优化版本。Yolov5采用了新的架构，使用了更小、更快的模型，并提供了更好的检测性能。 Yolov5的核心思想是将目标检测任务转化为一个回归问题。它使用类似于图像分割的方法，将图像划分为一系列的网格，每个网格预测出一个或多个目标的边界框和类别概率。 Yolov5模型由主干网络和检测头两部分组成。主干网络通常采用骨干网络（如CSPDarknet53或EfficientNet）来提取特征。检测头则负责在特征图上进行预测，包括预测边界框的位置和类别概率。 Yolov5提供了三个不同的模型大小：Yolov5s、Yolov5m和Yolov5l。这些模型的大小和复杂度各不相同，用户可以根据需求选择适合的模型。同时，Yolov5还支持多尺度训练和推理，可以提升模型在不同大小目标上的检测性能。 在使用Yolov5进行目标检测时，首先需要进行数据准备，包括标注目标边界框和类别信息。然后，使用这些数据进行模型训练。训练完成后，可以使用训练好的模型进行目标检测任务。 总的来说，Yolov5是一种快速、精确的目标检测模型，可以广泛应用于物体识别、智能监控、自动驾驶等领域。它的优势在于高效的实时检测能力和较低的计算资源要求。

“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