YOLO V2 学习总结

已于 2022-11-23 17:50:22 修改
阅读量169 收藏
点赞数
分类专栏： YOLO系列学习 文章标签： 深度学习 yolo 目标检测
于 2022-11-23 17:49:42 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/weixin_43541325/article/details/128002162
版权

相对于v1的改进：
1、引入BN；
2、更高精度classifier: 7 * 7 --> 13 * 13
3、多尺度训练：移除FC层以接收任意尺度
从320 * 320，352 * 352 训练之680 * 680，每10个epoch进行更新；
4、细粒度特征：引入slice层，浅层特征直连深层特征，理解为跨度大的残差，浅层的物理信息+深层的语义信息；
5、引入anchor：单一尺度上的5个
anchor的含义：预设好的虚拟边框，生成框由anchor回归而来
影响回归的因素：位置location、形状aspect-ratio、尺度scale请添加图片描述
请添加图片描述

下大禹了
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【目标检测-YOLO】YOLO v2总结
博观约取，厚积薄发
02-22 2502
​​​​​​​ yolov2 损失 yolov2 输出 13*13*5*(4+1+20) 张量（VOC数据集） 13*13 个 grid cell；每个 grid cell 有5个 预测框，每个预测框 有 4个坐标(x, y, w, h) + 1 个置信度(c) + 20 个条件类别概率。 对于每张图像，损失函数包含两部分： 遍历 每个grid cell， 假设 当前grid cell 的 5个 预测框 为 (b1, b2, b3, b4, b5)，5个 Anchor框 为 (A1,...
深度学习系列之YOLOv2 个人总结
LeeWanzhi的博客
03-25 1740
YOLO1很渣，但YOLO2却很6，在保证速度的前提下精度还很高。而且基于YOLO2的YOLO9000，可以实时检测不同类别下的不同品种。比如检测dog，YOLO9000可以检测出是哪一种狗：哈士奇、阿拉斯加、拉布拉多等等。 YOLO9000跟我做的联系比较密切。我之前做交通标志的检测是先检测出交通标志这个大类，然后再单独训练一个分类网络，进行类下的具体交通标志的识别。如果利用YOLO9000，...
YOLO V2 论文阅读总结和讨论
固本培元的专栏
11-19 427
  YOLO V2 论文阅读总结和讨论 look for papers for yolo2 contributer : leoluopy github地址：https://github.com/leoluopy/paper_discussing/blob/master/yolo/yolo2/yolo2_discussing.md YOLO V1： https://github.com/le...
YOLO v1~v3学习心得
8000的博客
07-16 2506
#YOLO v1 #YOLO v2 #YOLO v3
YOLO v2学习总结
aift的专栏
08-07 1077
文章目录简介精度改进Batch NormalizationHigh Resolution ClassifierConvolutional With Anchor BoxesDimension ClustersNew Network: Darknet-19Direct location prediction（直接位置预测）Fine-Grained Features（细粒度特征）Multi-Scale...
YOLO V2原理总结
weixin_51691064的博客
06-17 588
yolov2在YOLOv1的基础上做了大量的改进，减轻了YOLOv1存在的问题
【自用】YOLO v2原理总结
m0_53127772的博客
09-09 186
个人认为，YOLO v2相比v1最大的改进在于引入了anchor，然后改用了DarkNet-19网络结构，并且在卷积层后都加入了BN层。速度较之更快，mAP也更高。参考博客：YOLOV2网络模型_yolov2网络结构_Pywin的博客-CSDN博客目标检测|YOLOv2原理与实现(附YOLOv3) - 知乎 (zhihu.com)YOLO v2 损失函数源码分析 - 一只有恒心的小菜鸟 - 博客园 (cnblogs.com)【机器学习】一文带你深入全局平均池化 - 知乎 (zhihu.com)
学习YOLO系列的个人总结
qq_45445740的博客
07-10 5488
最近这段时间学习了YOLO系列原理，也跑了pytorch_yolov4、darknet框架yolov4、pytorch_yolov3、dakrnet框架yolov3等模型。这里要感谢网上大佬们的博文，没有你们，自己要走很多弯路。 本篇博客主要是记录自己学习YOLO系列的历程，方便以后自己需要时及时地查询与巩固，内容包括YOLO的原理、windows系统下的yolo模型搭建、用yolov3和yolov4训练自己的数据集去检测目标以及网上我认为不错的博文。 推荐一个CV领域的相关论文下载网址：http.
【YOLO系列】YOLO V2论文思想详解
江湖小Jay的博客
11-27 452
以下内容仅为个人在学习人工智能中所记录的笔记，先将目标识别算法yolo系列的整理出来分享给大家，供大家学习参考。 本文未对论文逐句逐段翻译，而是阅读全文后，总结出的YOLO V2论文的思路与实现路径。 若文中内容有误，希望大家批评指正。 YOLO V2论文下载地址：YOLO9000: Better, Faster, Stronger 项目地址：YOLO V2 YOLO V2论文名叫"YOLO9000: Better, Faster, Stronge
基于yolo v2的目标检测系统
05-27
**基于YOLO v2的目标检测系统** YOLO（You Only Look Once）是一种高效且实时的目标检测算法，由Joseph Redmon等人在2016年提出。YOLO v2是其改进版，它在速度和准确性上都有显著提升，使得目标检测更加实用。本...
YOLO论文v1 v2 v3核心.zip
08-01
总结来说，YOLO系列论文的核心在于提出了一种快速且准确的目标检测方法，通过一次前向传播就能完成整个图像的检测。从V1到V3，YOLO不断优化了模型结构，引入了新的技术，如FPN、锚框、批标准化等，以提高检测性能和...
【图像识别】基于yolo v2深度学习检测识别车辆matlab源码.rar
01-08
总结，这个MATLAB项目提供了对YOLO v2深度学习模型在车辆检测上的应用实例，对于理解目标检测算法、掌握MATLAB深度学习工具箱的使用以及实践图像识别具有很高的参考价值。通过深入研究和改进，可以进一步提升模型的...
55.YOLO v2算法详解 - CSDN博客1
08-04
总结来说，YOLO v2通过引入批量归一化、高分辨率预训练、基于卷积的Anchor Boxes等技术，显著提高了目标检测的准确性和速度。而YOLO9000则进一步拓宽了模型的应用范围，实现了大量物体类别的检测，展示了深度学习在...
yolo学习与实践并总结相关练习
03-05
2. **YOLO架构**：学习YOLOv1、v2和v3的具体网络结构，理解每个版本的主要改进和创新点。 3. **损失函数**：了解YOLO的损失函数设计，如何结合分类误差和定位误差进行训练。 4. **训练过程**：学习如何准备数据集...
【MindSpore学习打卡】应用实践-自然语言处理-深入理解LSTM+CRF在序列标注中的应用
最新发布
weixin_43427267的博客
07-08 885
CRF是一种概率图模型，适用于捕获序列中相邻Token之间的依赖关系。设xx0xnxx0​...xn​为输入序列，yy0ynyy0​...yn​为输出的标注序列，其中nnn为序列的最大长度。则输出序列yyyPy∣xexp⁡Scorexy∑y′∈Yexp⁡Scorexy′Py∣x∑y′∈Y​expScorexy′expScorexy​其中，Scorexy。
深度学习中的超参数及超参数搜索算法
qlkaicx的博客
07-08 237
在深度学习中，超参数（Hyperparameters）是指在训练模型时需要预先设置的参数，它们不会在训练过程中自动更新，而是通过手动调整来优化模型的性能。超参数的设置对模型的训练效果有着至关重要的影响。
Towards Deep Learning Models Resistant to Adversarial Attacks
一季南凉的博客
07-06 217
探讨了当前对抗攻击防御研究中的挑战，如计算开销、对抗样本的多样性和防御方法的泛化能力等。并提出了未来研究的方向，如开发更高效的防御算法、提升模型的可解释性和透明性等。：重点讨论了几种防御对抗攻击的方法，包括对抗训练、梯度掩蔽和模型集成等。总的来说，这篇论文综述了当前深度学习模型在面对对抗攻击时的脆弱性，并介绍了不同的防御策略及其效果，为未来开发更鲁棒的深度学习模型提供了理论基础和实践指导。：介绍了评估模型对抗攻击鲁棒性的方法和标准，如准确率曲线、失效率和对抗容忍度等。这篇论文的主要内容是关于。
深度学习全景进阶：最新Python深度学习进阶与前沿应用
weixin_58566962的博客
07-08 259
近年来，伴随着以卷积神经网络（CNN）为代表的深度学习的快速发展，人工智能迈入了第三次发展浪潮，AI技术在各个领域中的应用越来越广泛。系统掌握AI新理论、新方法及其Python代码实现。
YOLO V2 使用
07-27
YOLO V2使用了一系列改进来提高YOLO V1的性能。首先，它引入了Batch Normalization（BN）层来替代Dropout，以提高模型的准确性。其次，YOLO V2使用了高分辨率分类器，以提高对小物体的检测能力。此外，YOLO V2还采用了Anchor思想，通过K-means算法选定了一组先验框的尺寸，以提高物体定位的准确性。与YOLO V1类似，YOLO V2的损失函数仍然主要以回归为主，使用L2-Loss而不是Cross Entropy Loss。不同于Faster RCNN，YOLO V2的回归目标也没有选择Offset，而是采用了与YOLO V1相似的策略。\[1\]\[2\]\[3\] #### 引用[.reference_title] - *1* *2* *3* [YOLO_v2讲解](https://blog.csdn.net/weixin_43702653/article/details/124243593)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down1,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“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