YOLO系列
文章平均质量分 58
方方爱学习
计算机研究生在读
展开
-
YOLO V8 predict.py将命令行运行改为直接运行
YOLOv8命令行运行代码为:yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg'在入门阶段进行调试时每次需在命令行运行较为麻烦,修改主函数参数的调用。传入所需运行的参数模型 model。传入所需预测的图片地址 source。原创 2024-01-16 15:48:27 · 747 阅读 · 1 评论 -
YOLO系列学习——V4
Yolo V4:改进之处:集百家之所长,很多细节之处BOF:只增加了训练成本,将数据进行处理,但是测试是正常的测试,如:调整图像的对比度、亮度、旋转等等1.马赛克的数据增强(Mosaic data augmentation)Dropblock:之前的dropout是随机的杀死一些选择点,现在的dropblock是吃掉一个区域,增加难度标签平滑(label Smoothing):神经网络最大的缺点:过拟合比如让原来的标签【0,1】变成【0.05,0.95】使用之后,会使得之后的效果:族内更加紧密,族间更加分离原创 2023-12-21 21:26:16 · 482 阅读 · 0 评论 -
YOLO系列学习——V3
通过多scale来进行对大小物体的检测,将检测框分为3个分类,通过不同的感受野来进行划分,感受野越大的特征图就更加容易去检测更大的物体,随着网络的不断加深,越深层的卷积所生成的特征图,所对应的感受野也就也大,为之分配更加大的检测框,而在中间过程中所产生的特整体,其感受野也就小一些,可以用来检测小一点的,使用小的检测框。先验框更加丰富,3种scale,每种有3个规格,一共9种(V1-2种:横框和竖框,v2-5种:经过聚类的划分,V3-9种)特点:特征做得更仔细了,融入多持续特征图信息来预测不同的规格物体。原创 2023-12-21 20:54:22 · 364 阅读 · 0 评论 -
YOLO系列学习——V2
双阶段two_stage:Faster-rcnn mask-rcnn单阶段ont_stage:YOLO系列优缺点:优势是速度快,缺点是通常情况下效果不太好Map:综合的衡量检测效果IOU:所选框与目标框的交并比。原创 2023-12-21 20:45:35 · 296 阅读 · 0 评论