Yolov4 学习笔记

最新推荐文章于 2024-09-16 11:43:11 发布
最新推荐文章于 2024-09-16 11:43:11 发布
阅读量402 收藏
点赞数
文章标签： 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_47628141/article/details/133350063
版权

Yolov4 学习笔记

损失函数

666666

之前损失函数存在的问题

在这里插入图片描述
之前公式为1-IOU
IOU = (交集面积) / (并集面积)
如果没有相交，分母为0，那么就无法计算
分母接近零：当预测框和真实框的重叠面积非常小，接近于零时，IOU的计算结果可能会非常大，这可能导致梯度下降的问题。在使用IOU作为损失函数进行梯度下降时，如果IOU计算结果非常大，梯度也会变得非常大，从而导致训练不稳定或无法收敛。

GIOU

在这里插入图片描述
给真实框和预测框加一个 最小的可以包围它俩的框，这样的话，如果真实框和预测框重叠越小，那么包住它俩的C就越大，以此来判断大小。

GIOU存在的问题：

  • 两框重叠的时候，与IOU值相同
  • 对于不同尺度的目标不敏感：GIoU在计算时考虑了预测框和真实框的边界框面积，这使得它对于不同尺度的目标不敏感。因此，当目标的尺度差异较大时，GIoU可能无法准确地衡量预测框和真实框之间的重叠程度。
  • 对于长宽比差异较大的目标不敏感：GIoU在计算时考虑了预测框和真实框的长宽比，但它仍然对于长宽比差异较大的目标不敏感。这可能导致在评估长宽比差异较大的目标时，GIoU无法准确地反映预测框和真实框之间的匹配程度。
  • 对于重叠部分较小的目标不敏感：虽然GIoU在计算时考虑了预测框和真实框的交集面积和并集面积，但它仍然对于重叠部分较小的目标不敏感。当目标的重叠部分非常小时，GIoU可能无法准确地衡量预测框和真实框之间的重叠程度。
  • 计算复杂度较高：相比于传统的IOU，GIoU的计算复杂度较高，需要考虑更多的因素，包括边界框面积和长宽比。这可能导致在大规模目标检测任务中的计算开销增加。

DIOU

在这里插入图片描述
欧式距离计算公式
在这里插入图片描述

CIOU

在这里插入图片描述

BOS

在这里插入图片描述

SPP net

在这里插入图片描述
作用：增强感受野，最大池化

CSP net

在这里插入图片描述

SAM

在这里插入图片描述

  1. 特征深度的注意力机制，哪一层应该特征分配的比重大
  2. 平面的注意力机制
  3. v4引用的是SAM 计算空间位置的注意力机制，而不计算channel的注意力机制

PAN层

先从FPN说起
在这里插入图片描述
在这里插入图片描述

mish激活函数

在这里插入图片描述

华子的博客
关注
深入理解 YOLOv4 中的 GIOU 损失函数计算方法
AI_dataloads的博客
11-13 498
虽然GIOU具有上述一些局限性，但它在许多情况下仍然是一个有效的损失函数，并且在实践中被广泛应用。在选择损失函数时，通常需要根据具体任务和数据集的特性来权衡不同的损失函数的优缺点，以取得最佳的性能。
论文阅读 || 目标检测系列——yolov4 详细解读
magic_ll的博客
11-09 2905
bag of freebies：字面上的意思就是免费赠品。 在目标检测中是指：用一些比较有用的训练技巧来训练模型，从而使得模型取得更好的准确率。但是不增加模型的复杂度，也就不增加推理（inference）的计算量（cost）。 Data augmentation。 摘要 目前有很多算法可以提高CNN的准确性。在大量数据集上结合这些算法进行实际测试、在实验结果上理论的验证是十分必要的。一些算法操作单一针对特定的模型、或者特定的问题、又或者小规模的数据集 有效；有些算法适用于大多数模型、任务、数..
深入理解 YOLOv4 中的 CIOU 损失函数计算方法
AI_dataloads的博客
11-13 8804
CIOU 损失函数是 YOLOv4 在原有 IOU（Intersection over Union）损失函数基础上的改进版本。它考虑了目标框之间的完整交叉，并引入了修正因子，以更精准地度量目标框之间的相似性。CIOU 损失函数的计算方法相比于传统 IOU 更为复杂，但这也使得模型在训练过程中能够更好地理解目标框的准确位置和形状。CIOU 损失函数在设计上考虑了目标框的形状信息，通过引入修正因子，使得损失对于不同形状的目标框更具鲁棒性。这使得模型更容易捕捉目标的准确形状。
【YOLO v4 相关理论】Bounding Box regression loss: IoU Loss、GIoU Loss、DIoU Loss、CIoU Loss
qq_38253797的博客
04-28 2323
目录背景一、IoU Loss1.1、定义1.2、优缺点1.3、应用场景二、GIoU Loss2.1、定义2.2、优缺点三、DIoU Loss四、CIoU Loss五、PyTorch实现Reference 背景 对于分类问题而言，我们常常会使用一些L1,L2损失函数，但是对于回归问题而言,L2损失函数真的是合适的吗？答案是否定的，如下图： 图中左中右三种情况的L2损失都是相等的，但是他们的回归效果却千差万别。所以L2损失并不能很好的反应我们预测框和真实框的重合程度，于是就有了我们后来的IoU以及IoU L
浅谈目标检测中常规的回归loss计算----------最新yolov4中ciou计算
qq_35914625的博客
09-11 5809
浅谈yolov4中小技巧--回归loss计算ciou前言目标检测loss的发展史什么是Smooth L1 Loss 前言 今天我们来看下目标检测里面提出的CIOU。 目标检测loss的发展史 在目标检测中其演进路线是Smooth L1 Loss --> IoU Loss --> GIoU Loss --> DIoU Loss --.>CIoU Loss 什么是Smooth L1 Loss 首先看L1 loss 和 L2 loss 定义： 写成差的形式，f(x) 为预测值， Y
yolov4学习笔记
2302_79365810的博客
07-27 646
论文首先将当时一些前沿的技术一一挪列出来，作者将不同领域发表的最新论文的技术，集成到自己的算法中加以创新并做了许多消融实验，详细的描述了实验的过程，3.4之后才是描述yolov4的内容。【原文】我们的贡献总结如下：我们开发了一个高效且功能强大的目标检测模型。它使每个人都可以使用 1080 Ti 或 2080 Ti 的 GPU 来训练一个超级快速和准确的目标检测器。我们验证了最先进的 Bag-of-Freebies 和 Bag-of-Specials 对象检测方法在检测器训练期间的影响。
Yolov4学习笔记
qq_43234191的博客
05-24 368
上述改进，都是作者经历了大量的对比实验才最终选择的，最后在不同GPU(Maxwell/Pascal/Volta)型号上进行了对比实验，那么都对比了哪些，最终选择了哪些呢。1.数据增强方面：MixUp,CutMix,Mosaic,Blur,Crop,Rotation,Flip,Hue,Saturation,Exposure,Aspect。最终方案：CutMix，Mosaic，Label Smoothing, Mish。
YOLOv4 学习笔记
吾家有猫名探花的博客
12-05 379
在近年来的目标检测领域，YOLOv4的出现标志着一个重要的技术突破。YOLOv4不仅继承了YOLO系列快速、高效的特点，还引入了一系列创新的技术和策略，显著提升了目标检测的性能。本文将简要介绍YOLOv4的主要贡献和改进，核心概念，详细的网络架构，以及其在数据增强和损失函数方面的创新。通过这一系列的分析，我们可以更好地理解YOLOv4在目标检测领域的重要性及其应用潜力。经过对YOLOv4的深入分析，我们可以看到，它在目标检测技术上取得了显著的进步。
YOLOV4学习笔记
互相学习的小博客
03-23 3570
YOLOV4学习笔记
YOLOv4学习笔记
a的博客
12-24 562
1 背景 论文地址：[2004.10934] YOLOv4: Optimal Speed and Accuracy of Object Detection (arxiv.org) 通俗的讲，就是说这个YOLO-v4算法是在原有YOLO目标检测架构的基础上，采用了近些年CNN领域中最优秀的优化策略，从数据处理、主干网络、网络训练、激活函数、损失函数等各个方面都有着不同程度的优化。 2 网络结构 YOLOv4的创新点： 输入端：这里指的创新主要是训练时对输入端的...
【yolov4】学习笔记一
12-21
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。 首先，YOLOv4的核心改进包括引入了多种技术，如 Mish 激活函数、SPP-Block（Spatial Pyramid Pooling）、CBAM（Channel ...
YOLOv4学习笔记（1）——网络结构
qq_46292437的博客
02-21 4117
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 .
YOLOv4学习笔记（2）——训练策略
qq_46292437的博客
02-23 2662
文章介绍了YOLOv4在训练策略上相对于之前目标检测网络上的一些改进，分别讲解Mosaic数据增强、自对抗训练（SAT）、CmBN（Cross min-batch Normalization）策略、Dropblock正则化和其回归损失函数
YOLOV8学习笔记1
yang的博客
05-16 778
​在此之前没有学习和训练过任何深度学习网络，所以一开始无从下手。主要是借鉴了别人的博客：1、本人在之前已经配置好GPU版本的深度学习环境（），但是跟着这个链接运行，不知道为什么还是cpu训练。原因可能是我没有在安装好CUDA的虚拟环境中运行。2、（GPU版本的、大佬写的很好，很清楚详细）
YOLOv8改进 | 模块缝合 | C2f 融合Self-Calibrated Convolutions丰富特征图【CVPR2020】
kay_545
09-13 1278
YOLOv8，模块缝合，C2f_SCConv
yolov8实现图片验证码识别
qq_62714412的博客
09-11 882
本文从零开始配置YOLO环境，最后实现验证码模型的训练，验证和预测
YOLO介绍—datawhale
artificiali的博客
09-14 1007
良好表现的模型：训练和验证损失应该逐渐降低，最终趋于稳定。评价指标（如精度、召回率、mAP 等）应呈现逐步上升，并在高值区域趋于平稳。需要注意的情况：如果验证损失和训练损失出现较大差距，验证集上的损失不再下降，或评价指标不提升甚至下降，通常表明模型在验证集上的泛化能力较差，即可能过拟合。
关于yolov5遇到空标签导致训练暂停的解决
最新发布
2301_76846375的博客
09-16 275
小编在使用yolov5进行深度学习训练的时候，训练了好几个epochs，突然报了一个empty的错误导致训练程序终止，还好小编只是在训练刚开始遇到这种问题，如果训练了好多轮以后遇到此类问题，那前面训练花费的时间全部都浪费了，那就非常难受了，那我们可以从源头上改变这个问题。那我们如何改变呢，我们需要根据空标签txt来删除对应的图片，因为数据集有严格的一一对应原则，代码如下。把路径改一下以后，训练可以继续了。
即插即用篇 | YOLOv8 引入并行的分块注意力 | 北京大学 2024 | 微小目标
YOLOv8项目贡献者
09-11 410
即插即用篇 | YOLOv8 引入并行的分块注意力 | 北京大学 2024 | 微小目标
yolov10 学习笔记
07-12
学习YOLOv10的学习笔记可能会包括以下几个关键点： 1. **基础原理**：回顾YOLO的前身（如YOLOv3、YOLOv5），理解单次前向传播就完成目标检测的基本思想。 2. **网络结构**：YOLov10包含更多的新颖特征层和技术，如...
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