YOLO的网络结构（一）

最新推荐文章于 2024-10-01 11:35:33 发布
最新推荐文章于 2024-10-01 11:35:33 发布
阅读量5.9k 收藏 15
点赞数
分类专栏： yolo学习笔记
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_45796980/article/details/109700186
版权
本文介绍了YOLO的网络结构，分为图片输入、Darknet-53基础网络和三个检测分支。Y1、Y2、Y3分别针对不同大小的目标检测，通过上采样和特征拼接实现。通道数255对应类别数、坐标和置信度。网络结构中包含卷积块、残差块和上采样操作。此外，文章还讲解了卷积层的工作原理、步长和填充，以及池化层和全连接层的作用。
摘要由CSDN通过智能技术生成

YOLO的网络结构（一）

其网络结构能分为三部分。
第一部分：图片的输入
第二部分：基础网络。作者原文使用的是 Darkjnet-53 without FC layer。
第三部分：yolo v3的三个分支。y1（13x13x255）,y2（26x26x255）,y3(52x52x255)。

Y1从上面结点获取。是最高层的，最抽象的特征。适合比较大的目标检测；
Y2是在Y1的基础上做一个上采样+一个低层的一个特征进行连接（concat）。
适合中等的目标检测；
Y3是在Y2的基础上做一个上采样+一个更低层的一个特征进行连接（concat）。适合小 目标的检测。

三个尺度的输出皆是奇数，使得网格会有个中心位置。

通道数255：{[80(coco数据集共有80类)+[X+Y+W+H+Confiderce]}×3(anchor) = 255

在这里插入图片描述

CBL为卷积块：由conv2d，Batch Normalization，Leaky relu 这三个网络层组成。
Res为残差块：包含两个卷积块和一个add层，add层只是将相同维度的张量进行相加。
ResX为多个残差块,X代表残差块的个数。
上采样；将特征图的宽和高变成原来的两倍，通道数不变。
Concat张量拼接：相同宽和

最低0.47元/天 解锁文章
Auuua1
关注
专栏目录
yolo学习之各版本网络结构
deep_love1314的博客
05-10 3369
一、前言 网上基本上给的网络结构图，都是搬运的江大白的。这些版本都比较老，江大白的还是yolov5-1.0的版本的时候的网络结构图。 因此我在学习这个的时候，非常有必要整理出以下版本的： （1）带focus的1.0-3.0（csp结构的） （2）带focus的4.0-5.0（C3结构的） （3）替换focus的6.0（C3结构的） 二、带focus的1.0-3.0（csp结构的） 1、以yolov5-1.0为代表： 对应yolov5-1.0，对应yaml Neck包括：neck
YOLO V3详解(一)：网络结构介绍
走在深度学习前沿的小宋
04-13 3755
Yolo v3网络结构超详细讲解！！！
yolo v3的网络结构
12-25
yolo v3的网络结构，用于目标检测，语义分割，内容较多，此处仅仅只是其网络结构。
YOLOv11网络结构
最新发布
qq_54488514的博客
10-01 2524
YOLOv11震撼来袭
YOLOv5网络模型的结构原理讲解（全）
码农研究僧的博客
04-25 7万+
YOLOv5有几种不同的架构，各网络模型算法性能分别如下： YOLOv5是一种目标检测算法，其模型结构主要包括以下组成部分：输入端：YOLOv5的Head网络由3个不同的输出层组成，分别负责检测大中小尺度的目标。Backbone网络：YOLOv5使用CSPDarknet53作为其主干网络，其具有较强的特征提取能力和计算效率。Neck网络：YOLOv5使用的是FPN(FPN网络能够在不同的特征图层次上进行检测，可以提高目标检测的性能)网络，可以融合来自不同特征图层次的信息。输出端：损失函数，YOLOv5使用的
yolo系列详细网络结构解析
zyy5789的博客
08-12 297
接上文 yolo实现目标检测教程。
YOLOv3网络结构和解析
热门推荐
dz4543的博客
05-09 8万+
学了这么久的YOLOv3，把自己的学习心得记录下。欢迎指正！ 参考： YOLOv3网络结构细致解析 基于keras-yolov3，原理及代码细节的理解 论文地址：https://pjreddie.com/media/files/papers/YOLOv3.pdf yolov3官网：https://pjreddie.com/darknet/yolo/ Keras版本推荐：https://github...
YOLOv5网络结构解析
dont worry about it的博客
05-06 5万+
YOLO（You Only Look Once）系列作为目标检测领域的重要算法，以其速度快、性能好而著称。YOLOv5是该系列的最新版本，它在保持YOLO一贯的简洁高效特点的同时，进一步优化了算法性能。本文将深入探讨YOLOv5的实现细节，包括其基础组件和关键实现步骤。
YOLO系列结构图-visio
03-08
1.YOLOV3 2.YOLOV4 3.YOLOV5
Yolo系列网络结构图visio文件
04-12
Yolo系列网络结构图visio文件
万字详解YOLOv8网络结构Backbone/neck/head以及Conv、Bottleneck、C2f、SPPF、Detect等模块
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
05-26 2万+
YOLOv8是由Ultralytics开发的最先进的目标检测模型，推升了速度、准确性和用户友好性的界限。YOLO这一缩写代表“你只看一次”（You Only Look Once），通过在一次网络传递中同时预测所有边界框，提升了算法的效率和实时处理能力。相比之下，其他一些目标检测技术需要经过多个阶段或过程来完成检测。YOLOv8在流行的YOLOv5架构上进行了扩展，在多个方面提供了改进。
yolov4的网络结构图（纯属原创）
07-31
自己根据一些大佬资料画的，下载了的朋友有不懂的地方可以留言讨论。引用注明出处就好，谢谢。 自己根据一些大佬资料画的，下载了的朋友有不懂的地方可以留言讨论。引用注明出处就好，谢谢。
YOLO深度网络
05-16
RCNN、Fast RCNN、Faster RCNN 都是基于深度神经网络的图像目标检测模型。虽然这一系列模型在训练和检测上针对精 度与效率都在不断地优化，但是仍旧没有实现训练测试的端到端，而 且当前的检测速度也还无法针对视频进行目标检测。因此，Girshick 团队又提出了针 对视频进行目标检测的模型 YOLO(You Only Look Once)，该模型的训练和测试上 都是端到端的操作。
yolo基础架构
highoooo的博客
08-30 1944
YOLO网络主要由三个主要组件组成。 1）Backbone -在不同图像细粒度上聚合并形成图像特征的卷积神经网络。 2）Neck：一系列混合和组合图像特征的网络层，并将图像特征传递到预测层。 3）Head： 对图像特征进行预测，生成边界框和并预测类别。 我们可以在上述每个主要组件上使用不同的技术或者组合不同的方案来实现属于自己的最佳对象检测框架。 ...
YOLO的网络架构是怎样的？它包含哪些主要组件和层类型？
huidhsu的博客
07-08 3091
YOLO的网络架构是一种基于卷积神经网络（CNN）的目标检测算法，它将整个图像作为输入，并直接输出目标的位置和类别信息。与传统目标检测算法相比，YOLO具有较高的检测速度和较好的检测准确度。
YOLOv3网络结构
Roaddd的博客
02-03 996
YOLOv3使用的是全连接层，论文中的结构图： 每层输出情况： layer filters size input output 0 conv 32 3 x 3 / 1 416 x 416 x 3 -> 416 x 416 x 32 0.299 BF 1 conv 64 3 x 3 / 2 416 x 416 x 32 -> 208 x 208 x 64 1.
YOLO系列网络结构图（YOLOv5，YOLOv4，PPYOLO，YOLOv3等）
wuzhihao7788的博客
11-03 6839
YOLODet-PyTorch是端到端基于pytorch框架复现yolo最新算法的目标检测开发套件，旨在帮助开发者更快更好地完成检测模型的训练、精度速度优化到部署全流程。YOLODet-PyTorch以模块化的设计实现了多种主流YOLO目标检测算法，并且提供了丰富的数据增强、网络组件、损失函数等模块。 模型丰富： YOLODet提供了丰富的模型，涵盖最新YOLO检测算法的复现，包含YOLOv5、YOLOv4、PP-YOLO、YOLOv3等YOLO系列目标检测算法。 高灵活度： YOL
Yolo-World网络模型结构及原理分析（一）——YOLO检测器
ITdaka的博客
07-18 2381
本文主要对开放词汇检测模型yolo-world的模型结构进行分析，研究模型具体的工作流程
YOLOv4学习笔记（1）——网络结构
qq_46292437的博客
02-21 4160
模型结构定义了从输入数据到输出预测的信息流 本文介绍了YOLOv4的网络结构以及提供基于pytorch的实现的代码 .
Yolo网络结构具体描述
04-24
Yolo（You Only Look Once）是一种基于卷积神经网络的目标检测算法，它将输入图像划分成网格，每个网格预测出物体的类别、位置和大小，因此只需要一次前向传播即可得到图像中所有目标的信息。Yolo网络结构包括多个卷积层、池化层和全连接层，其中采用了多个大小不同的卷积核来提取不同尺度下的特征，同时使用了Batch Normalization和Leaky ReLU等技术来加速训练和提高准确率。整个网络结构非常高效，可以在实时性要求较高的场景中使用。
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