YOLO—You Only Look Once学习笔记2

最新推荐文章于 2024-07-17 10:32:13 发布
最新推荐文章于 2024-07-17 10:32:13 发布
阅读量177 收藏
点赞数
分类专栏： YOLO 文章标签： 深度学习
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_43969196/article/details/109296052
版权

YOLOV2学习笔记

最近项目需要认真学习yolo神经网络，因此将学习过程记录下来。
参考博客1：https://blog.csdn.net/lanran2/article/details/82826045
参考博客2：https://www.pianshen.com/article/7293987192/

前言

YOLOV1-V4的论文链接
1.YOLOV1：https://arxiv.org/abs/1506.02640
2.YOLOV2：https://arxiv.org/abs/1612.08242
3.YOLOV3：https://arxiv.org/abs/1804.02767
4.YOLOV4：https://arxiv.org/abs/2004.10934
5.YOLO官方Github地址：https://github.com/AlexeyAB/darknet
6.YOLO官网：https://pjreddie.com/

YOLOV2

一、摘要

  • YOLOV2优于诸如使用ResNet和SSD的Faster RCNN的最新方法，同时运行速度仍显着提高。
  • 相同的YOLOv2模型可以在不同的大小上运行，从而在速度和准确性之间轻松权衡。
  • 介绍了YOLO9000，这是一种先进的实时对象检测系统，可以检测9000多个对象类别
  • 提出了一种联合训练目标检测和分类的方法， 使用这种方法，在COCO检测数据集和ImageNet分类数据集上同时训练YOLO9000。 通过联合培训，YOLO9000可以预测没有标记检测数据的物体类别的检测结果
  • 联合训练算法的基本思路就是：同时在检测数据集和分类数据集上训练物体检测器（Object Detectors ），用监测数据集的数据学习物体的准确位置，用分类数据集的数据来增加分类的类别量、提升健壮性
  • YOLO9000就是使用联合训练算法训练出来的，他拥有9000类的分类信息，这些分类信息学习自ImageNet分类数据集，而物体位置检测则学习自COCO检测数据集。

二、相比于YOLOV1的提升

YOLOv2相比YOLOv1做了很多方面的改进，这也使得YOLOv2的mAP有显著的提升，并且YOLOv2的速度依然很快，保持着自己作为one-stage方法的优势。

YOLOv2与其它模型在VOC 2007数据集上的效果对比：

YOLOV2的改进策略：

（1）增加Batch Normalization层 （+2%）

  • Batch Normalization（BN）就是将每个隐藏层的输出结果（如 h_1,h_2,h_3 ）在batch上也进行标准化后再送入下一层，Batch Normalization具有提升模型优化的作用，这点是Dropout不具备的。所以BN更适合用于数据量比较大的场景。
  • 在V1的基础上增加了BN层，位置在Conv层的后面，给YOLO 的mAP带来了2%的提升。

(2）使用高分辨率的分类器 （+4%）

  • YOLOV1使用ImageNet上预训练的模型作为特征提取器，而其训练时，输入图像分辨率通常在224x224左右，而训练物体检测任务时，需要分辨率更大的图像（因为图像越大，越清晰，越容易检测上面的物体），这样就会造成两者在输入图像分辨率上的不一致。
  • YOLO V2选择先在ImageNet上Finetune高分辨率（448x448）的模型（10 epochs），然后再训练检测模型，这样就“弱化”了分类模型和检测模型在输入图像分辨率上的“不一致”。

(3)采用了骨干网络Darknet-19（训练时）

  • 在 3×3 卷积中间添加了1×1卷积，Feature Map之间的一层非线性变化提升了模型的表现能力；
  • Darknet-19进行了5次降采样，但是在最后一层卷积并没有添加池化层，目的是为了获得更高分辨率的Feature Map

（4）采用了Anchor boxes

  • YOLOV1存在一个问题就是每个格子只能预测一个对象，使用 anchor boxes可以想让一个格子检测出多个对象
  • 预定义各个类别的anchor box，这样一个Anchor会产生多个候选框，因此类别标签会变成多个，以此来和各个类别匹配
  • 增加了Anchor的概念后，mAP由原来的69.5%降低到了69.2%，但是Recall从81%增加到88%，这也为后续的优化提供了可能性

（5）K-means聚类获取Anchor框 + 直接预测位置 （+5%）

  • YOLO V2分配训练样本的策略与V1相同，物体的中心点落在哪个Grid Cell中，其对应的Anchor候选框负责这个物体
  • YOLO V2为了选择更合理的候选框，使用了聚类（K-means）的策略，选出最具有代表性的5个尺寸作为Anchor候选框的尺寸
  • 锚点的中心即是Grid的中心点（YOLOv1是7×7 的Grid，YOLOv2是 13×13的Grid），所以所需要聚类的只有锚点的宽和高），聚类的分类目标是Ground Truth不同的大小和不同的长宽比。
  • YOLOV2的聚类标准：希望锚点与Ground Truth的IoU越大越好在这里插入图片描述
  • 具体流程：

（6）细粒度特征（+1%）

  • 考虑到13x13的特征图，对于小物体不是特别奏效（很小的物体在下采样32倍的情况下就消失了）
  • YOLO V2使用13x13的特征图的同时，又利用了26x26大小的特征图，将两个尺寸的特征图结合
  • 有两步：1）26x26x512的特征图重组成13x13x2048的特征图；2）将13x13x2048的特征图与13x13x1024的特征图Concatenate，得到13x13x3072的特征图
  • 重组示意图：

（7）多尺度训练

  • 为了适应不同尺寸的输入图片，YOLO V2采用了多尺度训练的策略，尺度的选择：从320到608，{320，352，…，608}，每隔32选取一个尺度
  • 训练的时候，系统每隔10个batch，随机从这些候选尺度中选择一个进行训练
  • 这种机制使得网络可以更好地预测不同尺寸的图片，意味着同一个网络可以进行不同分辨率的检测任务，在小尺寸图片上YOLOv2运行更快，在速度和精度上达到了平衡

三、训练过程

3.1具体的训练步骤

  • 1.先在 ImageNet 分类数据集上预训练 Darknet-19，此时模型输入为 224 * 224 ，共训练 160 个 epochs。

  • 2.将网络的输入调整为 448 * 448（注意在测试的时候使用 416 * 416 大小） ，继续在 ImageNet 数据集上 finetune 分类模型，训练 10 个 epochs，此时分类模型的 top-1 准确度为 76.5%，而 top-5 准确度为 93.3%。

  • 3.修改 Darknet-19 分类模型为检测模型，移除最后一个卷积层、global avgpooling 层以及 softmax 层，并且新增了三个 3 * 3 * 1024 卷积层，同时增加了一个 passthrough 层(对应细粒度特征步骤)，最后使用 1 * 1 卷积层输出预测结果。

    • 图中第 25 层 route 16，意思是来自16层的 output，即 26 * 26 * 512，这是 passthrough 层的来源（细粒度特征）。第 26 层 1 * 1 卷积降低通道数，从 512 降低到 64，输出 26 * 26 * 64。第 27 层进行拆分（passthrough 层）操作，1 拆 4 分成 13 * 13 * 256。第 28 层叠加 27 层和 24 层的输出，得到 13 * 13 * 1280。
3.2补充说明

1.YOLOV2网络经过 3 * 3 卷积和 1 * 1 卷积，最后输出 13 * 13 * 125，具体代表的含义为：

  • 一共有13*13个格子，每个格子预测出5个bounding box，每个bounding box预测25个数，其中20个是class的probability，其余5个参数中有四个表示stx、sty、tw、th，这4个来识别边框的位置和大小，还有1个数是confidence，表示边框预测里有真正的对象的概率

2.YOLOV2的损失函数和YOLOV1没有太大改变，在此不再赘述。

YOLO9000

  • YOLO2 根据 WordNet，将 ImageNet 和 COCO 中的名词对象一起构建了一个 WordTree，以 physical object 为根节点，各名词依据相互间的关系构建树枝、树叶，节点间的连接表达了对象概念之间的蕴含关系
  • 构建好的 WordTree 有 9418 个节点（对象类型），包括 ImageNet 的 Top 9000 个对象，COCO 对象，以及 ImageNet 对象检测挑战数据集中的对象，以及为了添加这些对象，从 WordNet 路径中提取出的中间对象
  • 类别标签构造：一个样本假如标签是 “Norfolk terrier”，则从 “Norfolk terrier” 直到根节点的所有节点概率为 1（图10 中黄色框内的节点），其它节点概率为 0，体现出对象之间的蕴含关系。
  • 标签结果分析：从根节点开始向下遍历，对每一个节点，在它的所有子节点中，选择概率最大的那个（一个节点下面的所有子节点是互斥的），一直向下遍历直到某个节点的子节点概率低于设定的阈值（意味着很难确定它的下一层对象到底是哪个），或达到叶子节点，那么该节点就是该 WordTree 对应的对象。
  • 由于 ImageNet 样本比 COCO 多得多，所以对 COCO 样本会多做一些采样（oversampling），适当平衡一下样本数量，使两者样本数量比为 4:1。
  • YOLO9000 依然采用 YOLO2 的网络结构，不过 5 个先验框减少到 3 个先验框，以减少计算量。YOLO2 的输出是 13 * 13 * 5 * (4 + 1 + 20)，现在 YOLO9000 的输出是 13 * 13 * 3 * (4 + 1 + 9418)。
6度黑
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
YOLOv1、YOLOv2和YOLOv3对比
北溟客的博客
06-06 5370
YOLOv1、YOLOv2和YOLOv3对比R-CNN系列YOLOv1结构目标输出网络训练YOLOv1的局限性和R-CNN系列的对比YOLOv2结构目标输出网络训练关于YOLO9000YOLOv3结构目标输出网络训练YOLOv3系统做过的不成功的尝试未来 YOLO深度卷积神经网络已经经过原作者Joseph Redmon已经经过了3代4个经典版本（含YOLOv2和YOLO9000），俄罗斯的AlexeyAB已经完成了第4版迭代，并获得了Joseph官方认可。本文主要对前3个经典版本进行分析。 YOLOv1是2
人工智能-yolo系列理论合集学习笔记.zip
08-30
YOLO（You Only Look Once）是AI中的一个热门话题，尤其在目标检测技术方面，YOLO以其高效、实时的特性受到了广泛的关注和应用。这份学习笔记将深入探讨YOLO系列的理论基础、发展历程以及实际应用。 1. YOLO简介 ...
YOLOV1和YOLOV2的区别与改进，对比学习
weixin_46598329的博客
07-31 183
YOLO-V1经典的one-stage方法You Only Look Once,名字就已经说明了一切把检测问题转化成回归问题，一个CNN就搞定了可以对视频进行实时监测，应用领域非常广。
YOLO 算法系列总结对比 —— v1 - v3
hugegrunt的博客
05-12 5091
YOLO系列是一种快速的目标检测算法，其目的是在满足一定的精度要求下尽量做到轻量快捷。这使得它非常适合部署在对检测速度要求比较高的场合。比如说视频中的目标实时检测，自动驾驶目标检测等。本文介绍了一下YOLO各个版本的特点对比。
YOLOv2相比于yolov1的改进
Mr_health的博客
10-28 3091
1.Batch Normalization Batch Normalization可以提升模型收敛速度，而且可以起到一定正则化效果，降低模型的过拟合。在YOLOv2中，每个卷积层后面都添加了Batch Normalization层，并且不再使用droput。使用Batch Normalization后，YOLOv2的mAP提升了2.4%。 2.High Resolution Classifie......
YOLO2原理理解
热门推荐
hai_xiao_tian的博客
05-28 1万+
YOLO改进策略：1.Bath Nomalization        Bath Nomalization可以提升模型收敛速度，而且可以起到一定正则化效果，降低模型的过拟合。        YOlLOv2中，在每个卷积后面都添加了Bathch Normalization层，并且不再使用droput，mAP提升了2.4%2.High Resolution Classifier        目前大部...
YOLO—You Only Look Once学习笔记1
weixin_43969196的博客
10-26 221
YOLO—You Only Look Once学习笔记 最近项目需要认真学习yolo神经网络，因此将学习过程记录下来。 前言 YOLOV1-V4的论文链接 1.YOLOV1：https://arxiv.org/abs/1506.02640 2.YOLOV2：https://arxiv.org/abs/1612.08242 3.YOLOV3：https://arxiv.org/abs/1804.02767 4.YOLOV4： ...
【yolov4】学习笔记一
12-21
YOLOv4是一种先进的目标检测模型，全称为You Only Look Once version 4，它在YOLO系列的基础上进行了改进，提高了检测精度和速度。本篇学习笔记主要围绕YOLOv4在PyTorch环境中的实现进行探讨，同时也涉及CUDA的使用...
基于yolo大一大二笔记
03-27
YOLO（You Only Look Once）是一种实时目标检测系统，它在计算机视觉领域有着广泛的应用。这个基于YOLO的大一大二笔记可能涵盖了YOLO的基本概念、原理以及如何在TensorFlow框架下实现这一算法。由于标签是"C"，我们...
中文翻译学习笔记-YOLO的全面评述：从YOLOv1到YOLOv8
06-21
YOLO（You Only Look Once）是一种基于深度学习的实时物体检测系统，自2016年首次提出以来，因其高效和准确的特性，在物体检测领域迅速受到广泛关注。YOLO通过单个神经网络同时预测边界框和类别概率，实现了快速检测...
Yolo-FaceDetection-华为OD笔记
05-29
【标题】"Yolo-FaceDetection-华为OD笔记"指的是基于YOLO（You Only Look Once）算法的面部检测技术在华为Object Detection（OD）平台上的应用笔记。YOLO是一种实时目标检测系统，它以其高效和准确度而闻名，尤其...
【YOLO系列】YOLOv1
Mr_health的博客
10-28 699
参考：这可能是最详细的目标检测YOLO_v1的解释 物体检测之YOLO 基本流程 (1) 给个一个输入图像，首先将图像划分成7 * 7（S=7）的网格。 (2) 对于每个网格，每个网格预测2个bouding box（每个box包含5个预测量，这5个预测量为x，y，w，h，confidence）以及20个类别概率。 (3) 根据上一步可以预测出7 * 7 * ......
RNN与CNN：昔日辉煌与今日应用的深度透视
最新发布
AI心易行者
07-17 378
更棒的是，其活跃的社区和详尽的手册，确保了你在技术海洋中的航行既高效又愉快。2017年，Transformers以自注意力机制打破了RNN的垄断，其并行计算的特性极大地提升了处理序列数据的效率，Google神经机器翻译系统（GNMT）的成功应用，便是最好的证明。紧随其后的BERT（2018年），凭借双向编码器的创新，以及强大的预训练与微调策略，使得机器对文本的理解上升到了新的高度。LeNet-5的诞生，标志着手写数字识别的新纪元，而这一技术的广泛应用，更是推动了图像分类、物体检测等领域的巨大进步。
推荐系统：从协同过滤到深度学习
专注于Python编程技术的分享与交流，致力于帮助开发者提升编程技能，解决实际问题，探索Python的无限可能。
07-15 578
从协同过滤到深度学习，推荐系统的技术不断演进和发展。协同过滤作为推荐系统的基础算法之一，在处理用户行为数据方面具有独特的优势；而深度学习则通过自动学习用户和物品的隐含特征以及处理大规模数据的能力，为推荐系统带来了更高的准确性和效率。未来，随着技术的不断进步和应用场景的不断拓展，推荐系统将在更多领域发挥重要作用，为用户提供更加个性化和精准的推荐服务。
深度学习快速通道：Keras核心特性与实战演练
AI心易行者
07-14 984
Keras以其简洁性、灵活性征服了众多深度学习爱好者，而结合如PlugLink这样的高效工具，则能进一步放大生产力，让从原型设计到生产部署的每一步都更加流畅。无论你是着手解决图像分类、文本生成还是其他复杂的机器学习问题，Keras加PlugLink的组合都是值得探索的强大武器。现在，不妨打开你的编辑器，开始构建下一个智能应用吧！通过上述指南，希望你对Keras有了更深层次的认识，并对如何借助PlugLink优化工作流程有了初步的概念。在深度学习的征途中，持续学习与实践，才是通往成功的不二法门。
深度学习Day-25：Inception-V1算法实战与解析
m0_51359915的博客
07-16 805
Inception v1是一种深度卷积神经网络，该网络的最大特点是使用了Inception模块，该模块通过多种不同的卷积核来提取不同大小的特征图，并将这些特征图拼接在一起，从而同时考虑了不同尺度下的特征信息，提高了网络的准确性和泛化能力。在Inception v1中，Inception模块一般由1x1、3x3和5x5的卷积层以及一个最大池化层组成，同时还会在最后加上一个1x1的卷积层来减少通道数，从而避免参数过多的问题。
昇思Mindspore25天学习打卡Day25：RNN实现情感分类/自然语音处理
weixin_42147595的博客
07-15 1046
情感分类是自然语言处理中的经典任务，是典型的分类问题。本节使用MindSpore实现一个基于RNN网络的情感分类模型，实现如下的效果：输入: This film is terrible正确标签: Negative预测标签: Negative输入: This film is great正确标签: Positive预测标签: Positive最后我们设计一个预测函数，实现开头描述的效果，输入一句评价，获得评价的情感分类。将输入句子进行分词；使用词表获取对应的index id序列；
基于YOLO (You only look once)、进行目标识别的算法代码
07-11
对于基于YOLO的目标识别算法，以下是一个简单的代码示例： ```python import cv2 import numpy as np # 加载YOLO模型 net = cv2.dnn.readNet("yolov3.weights", "yolov3.cfg") # 获取所有类别名称 with open("coco.names", "r") as f: classes = f.read().splitlines() # 加载图像并进行预处理 img = cv2.imread("image.jpg") height, width, _ = img.shape # 构建输入blob blob = cv2.dnn.blobFromImage(img, 1/255.0, (416, 416), swapRB=True, crop=False) # 设置输入blob到网络中 net.setInput(blob) # 运行前向传播以获取输出层 output_layers_names = net.getUnconnectedOutLayersNames() layer_outputs = net.forward(output_layers_names) # 初始化列表来存储检测结果 boxes = [] confidences = [] class_ids = [] # 遍历每个输出层 for output in layer_outputs: # 遍历每个检测框 for detection in output: scores = detection[5:] class_id = np.argmax(scores) confidence = scores[class_id] if confidence > 0.5: # 将检测结果的坐标映射回原始图像空间 center_x = int(detection[0] * width) center_y = int(detection[1] * height) w = int(detection[2] * width) h = int(detection[3] * height) # 使用检测结果构建边界框 x = int(center_x - w / 2) y = int(center_y - h / 2) # 存储边界框、置信度和类别ID boxes.append([x, y, w, h]) confidences.append(float(confidence)) class_ids.append(class_id) # 应用非极大值抑制来去除重叠的边界框 indexes = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4) # 绘制边界框和类别标签 font = cv2.FONT_HERSHEY_PLAIN colors = np.random.uniform(0, 255, size=(len(classes), 3)) for i in range(len(boxes)): if i in indexes: x, y, w, h = boxes[i] label = classes[class_ids[i]] confidence = confidences[i] color = colors[class_ids[i]] cv2.rectangle(img, (x, y), (x + w, y + h), color, 2) cv2.putText(img, f"{label} {confidence:.2f}", (x, y - 5), font, 1, color, 2) # 显示结果图像 cv2.imshow("Image", img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 请确保已经下载了YOLO的权重文件（`yolov3.weights`）、配置文件（`yolov3.cfg`）和类别名称文件（`coco.names`）。你可以从YOLO官方网站下载这些文件。 这段代码加载了YOLO模型并使用它在图像上进行目标识别。它将检测到的目标用边界框和类别标签进行绘制，并显示结果图像。请注意，此代码示例仅适用于YOLOv3模型，如果你使用其他版本的YOLO模型，可能需要相应地进行修改。

“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