YOLO V3学习总结

一、网络框架

在这里插入图片描述
1、 全新的网络结构:DarkNet-53

2、引入残差
在这里插入图片描述
ResNet模块的最后一层11256去掉,而且将倒数第二层3364直接改成33128

3、使用FPN架构实现多尺度检测:13 * 13, 26 * 26, 52 * 52

4、9个先验框,3种尺度下的3个框,对小目标更友好

5、类别预测:将原来用于单标签多分类的softmax层换成用于多标签多分类的逻辑回归层

6、损失函数中x,y,w,h是分别计算的,未统一考虑

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
YOLO (You Only Look Once) v3 是一种物体检测算法,它的特点是可以在一次前向传递中同时检测多个物体。 YOLO v3 的算法流程主要包括以下几个步骤: 1. 输入图像:将待检测的图像作为算法的输入。 2. 建立特征图:将输入图像通过多层卷积网络(Darknet-53)进行处理,得到不同尺度的特征图。这些特征图对应不同大小的物体目标。 3. 物体分类:对特征图进行分类,使用卷积层和全连接层来学习和预测各个物体类别的概率。 4. 边框回归:使用卷积层和全连接层来预测每个物体的边界框,同时学习修正这些边界框的位置、尺寸和置信度。 5. 非极大值抑制(NMS):在同一个特征图上,使用非极大值抑制算法来排除重叠的边界框,只保留最具置信度的边界框。 6. 物体检测输出:将经过非极大值抑制的边界框输出到最终的检测结果。 YOLO v3 还有一些改进的地方,包括使用3个不同的尺度来进行物体检测,每个尺度上都有不同大小的边界框,以适应不同大小的物体目标;采用多尺度训练和测试,以提高对小物体的检测精度;在多尺度的特征图上进行预测,以提高对不同大小物体的检测能力。 总结来说,YOLO v3 的算法流程是通过卷积神经网络从输入图像中提取特征图,然后对特征图进行物体分类和边框回归,最后利用非极大值抑制算法得出最终的物体检测结果。这种算法流程使得 YOLO v3 能够以较快的速度实现准确的实时物体检测。

“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 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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