YOLO实战-物体检测
文章平均质量分 86
目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。
大风车滴呀滴溜溜地转
为天地立心,为生民立命,为往圣继绝学,为万世开太平。
展开
-
IoU(Intersection over Union)
IoU 原文链接:https://www.yuque.com/huoxiangshouxiangwanghuo/xg3nah/tyl1n2IoU(Intersection over Union)在目标检测任务中,IoU是一个非常重要的概念,它反映了prediction box和ground truth box的贴合程度。在用训练好的模型进行测试时,网络会预测出一系列的predicti...原创 2021-01-28 11:05:58 · 1792 阅读 · 4 评论 -
YOLO_ Real-Time Object Detection 实时目标检测
YOLO: Real-Time Object Detection 实时目标检测You only look once(YOLO)是一种先进的实时目标检测系统。在Pascal Titan X上,它以每秒30帧的速度处理图像,在COCO test-dev上有57.9%的mAP。与其他探测器的比较YOLOv3是非常快速和准确的。在0.5 IOU下测得的mAP中,YOLOv3与Focal Loss相当,但速度快了4倍左右。此外,您可以轻松地在速度和精度之间进行折衷,只需更改模型的大小,而无需重新培训!![](翻译 2020-12-31 09:29:54 · 2242 阅读 · 0 评论 -
YOLO-V2
Batch NormalizationV2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从现在的角度看Batch Normalization已经成为网络必备处理更大的分辨率V1训练时用的是224224,测试时使用448448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,YOLO-V2的MAP提.原创 2020-09-20 20:42:46 · 570 阅读 · 0 评论 -
YOLO-V1
经典的one-stage方法,把检测问题转化为回归问题,一个CNN就可以搞定,非常适合对视频进行实时检测。核心思想想要预测图像中的物体(狗、自行车、小汽车),先将输入图像转换为S*S的矩形方格,每个格子(图中红色框)都负责预测自己领域内的物体。但是每个小格子可能并不知道预测的结果的形态,我们需要提供一些经验值(图中黄色框),但经验值可能并不是真实值,所以我们要对经验值通过CNN进行微调,让它预测的更加准确。简单梳理一下:我们现在有了一个输入数据,然后把输入数据分成很多个小格子,之后每个小格子产生两原创 2020-09-20 13:15:59 · 533 阅读 · 0 评论 -
预备知识
目前基于深度学习的目标检测已经逐渐成为自动驾驶,视频监控,机械加工,智能机器人等领域的核心技术,而现存的大多数高精度的目标检测算法,速度较慢,无法适应工业界对于目标检测实时性的需求。2015年6月8日,YOLO算法横空出世,基于YOLO算法来实现的目标检测以近乎极致的速度和出色的准确度赢得了大家的一致好评。YOLO算法目前已经经过了3个版本的迭代,在速度和精确度上获得了巨大的提升,我们将从YOLO-V1开始讲起,直至目前最新的版本YOLO-V3。大家可能会问:YOLO现在已经有第三代版本了,我们为什原创 2020-09-20 10:36:19 · 269 阅读 · 0 评论