YOLO视觉神经网络框架学习笔记

这几天断断续续看了PulkitSharma的三篇文章,第三篇是解读YOLO视觉网络的,研读的过程做了个简单的阅读笔记,对YOLO框架有了个大体的了解,这篇笔记整理的逻辑并不够好,很多细节也没有具体记录,因为原文写的蛮好了,我只是记录一下重点.如果感兴趣欢迎阅读. 欢迎点赞

---

为什么YOLO起作用

• YOLO (You Only Look Once) 用的是R-CNN网络，网络不会查看整个图像，而只会查看图像中包含对象可能性更高的部分。
• 自称每秒处理45帧，并了解广义检查对象。
• 提到一门课程Convolutional Neural Networks | Coursera

YOLO框架是什么

• 了解一下YOLO怎么运作的，分为3步
  • 首先输入图像
  • 然后将图像划分为网格
  • 图像分类定位应用于每个网格，
  • 然后预测对象边界框并分类
• 假设图像划分为3x3大小，共分为3类情况下,每个标签是8维向量
  

怎么编码盒子

• x,y 的四个坐标是用于分割图边框比例来确定的

联合与非最大抑制的交集

• 通过画监测区域与标注区域的交叉面积(交叉点面积/并集面积–IoU),若此数据大于0.5，则可以说预测足够好。0.5是我们在此处采用的任意阈值，但可以根据您的特定问题进行更改。直观地，您增加阈值越多，预测就越好。
• 最大非抑制:如图,多次被识别的汽车通过此技术可以清除,通过IoU对比,IoU比率大,但对对象检测概率最大的被保留
  
• 总结一下:

丢弃所有概率小于或等于预定阈值（例如0.5）的框
对于其余的框：
1.选择概率最高的框，并将其作为输出预测
2.将IoU大于阈值的其他框与上述步骤中的输出框一起丢弃
3.重复步骤2，直到所有框都被用作输出预测或被丢弃

锚盒子

每个网格中有多个对象怎么办?

• 对于每个网格，我们可以根据锚点的数量检测两个或多个对象。,两个对象则是3x3x16的输出
  
  

把上述联合思考

考虑以下场景：我们使用3 X 3网格，每个网格有两个锚点，并且存在3个不同的对象类。因此，对应的y标签将具有3 X 3 X 16的形状。现在，假设我们在每个网格中使用5个锚定框，并且类别数已增加到5。因此目标将是3 X 3 X 5 X 5 = 3 X 3 X25。这就是训练过程的完成方式-拍摄特殊形状的图像，然后将其映射到3 X 3 X 16的目标（这可能会根据网格大小，锚点盒数和类数）。
拍摄形状为（608、608、3）的输入图像将此图像传递到卷积神经网络（CNN），然后返回（19、19、5、85）维输出上述输出的最后两个维度被平坦化以获得的输出音量（19，19，425）：一。在这里，一个19 X 19网格的每个像元返回425个数字425 = 5 * 85，其中5是每个网格的锚点盒数
c。85 = 5 + 80，其中5是（pc，bx，by，bh，bw），而80是我们要检测的类数
最后，我们进行IoU和非最大抑制，以避免选择重叠的框

在Python中实现YOLO

GitHub - enggen/Deep-Learning-Coursera: Deep Learning Specialization by Andrew Ng, deeplearning.ai.

• 可以用IDE搞起来,也可以用JupyterNotebook屡一遍代码.
• 原文链接