YOLO

最新推荐文章于 2023-12-08 12:49:36 发布
最新推荐文章于 2023-12-08 12:49:36 发布
阅读量936 收藏 7
点赞数 1
分类专栏： 2D目标检测 基于回归的目标检测 文章标签： YOLO 目标检测 端到端 回归模型
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/williamyi96/article/details/77620944
版权

YOLO是第一个经典的非基于Region Proposal的目标检测的模型，其在保证效果不是很差的基础之上，基于回归的思想，达到了超高的实时性。虽然由于某些原因个人不是特别青睐YOLO，但是发现基于YOLO的改进版的模型取得了很好的效果，如其在SqueezeDet中的使用，因此打算以此为契机研究以下该模型。

总体结构分析

话不多说，直接上总体流程图：

这里写图片描述

YOLO没有类似于Object Proposal的过程，主要是基于回归的思想。

文章看了太多，日后归纳。

参考资料：

https://zhuanlan.zhihu.com/p/25236464

https://docs.google.com/presentation/d/1aeRvtKG21KHdD5lg6Hgyhx5rPq_ZOsGjG5rJ1HP7BbA/pub?start=false&loop=false&delayms=3000&slide=id.g137784ab86_4_4140

williamyi96
关注
  • 1
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
超详细YOLOv8全解：学v8只用看一篇文章
weixin_45303602的博客
06-19 4855
例如，tensor([0., 5., 0., 0., 0.], device='cuda:0')中的0和5表示第一个对象被分类为类别0，第二个对象被分类为类别5，以此类推。举例来说，如果一个.txt文件中的一行是1 0.5 0.5 0.2 0.3，这意味着该对象属于类别1（例如“车”），其边界框的中心位于图像中心（X和Y坐标均为0.5），边界框的宽度是图像宽度的20%，高度是图像高度的30%。YOLOv8x-cls: 在这个系列中，它提供了最高的准确率，但速度最慢，需要较强的硬件支持。
YOLOv5实战训练自己的数据集(Windows和Ubuntu演示)
06-21
YOLO系列是基于深度学习的端到端实时目标检测方法。 PyTorch版的YOLOv5轻量而高性能，更加灵活和易用，当前非常流行。 本课程将手把手地教大家使用labelImg标注和使用YOLOv5训练自己的数据集。课程实战分为两个项目：单目标检测（足球目标检测）和多目标检测（足球和梅西同时检测）。  本课程的YOLOv5使用ultralytics/yolov5，在Windows和Ubuntu系统上分别做项目演示。包括：安装YOLOv5、标注自己的数据集、准备自己的数据集（自动划分训练集和验证集）、修改配置文件、使用wandb训练可视化工具、训练自己的数据集、测试训练出的网络模型和性能统计。 除本课程《YOLOv5实战训练自己的数据集(Windows和Ubuntu演示)》外，本人推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程，包括：《YOLOv5(PyTorch)目标检测：原理与源码解析》课程链接：https://edu.csdn.net/course/detail/31428《YOLOv5目标检测实战：Flask Web部署》课程链接：https://edu.csdn.net/course/detail/31087《YOLOv5(PyTorch)目标检测实战：TensorRT加速部署》课程链接：https://edu.csdn.net/course/detail/32303《YOLOv5目标检测实战：Jetson Nano部署》课程链接：https://edu.csdn.net/course/detail/32451《YOLOv5+DeepSORT多目标跟踪与计数精讲》课程链接：https://edu.csdn.net/course/detail/32669《YOLOv5实战口罩佩戴检测》课程链接：https://edu.csdn.net/course/detail/32744《YOLOv5实战中国交通标志识别》课程链接：https://edu.csdn.net/course/detail/35209 《YOLOv5实战垃圾分类目标检测》课程链接：https://edu.csdn.net/course/detail/35284  
YOLO系列算法
最白の白菜的博客
03-03 2万+
目录YOLO系列算法yolo算法Yolo算法思想Yolo的网络结构网络输入网络输出7X7网格30维向量Yolo模型的训练训练样本的构建损失函数模型训练模型预测yolo总结yoloV2预测更准确（better）batch normalization使用高分辨率图像微调分类模型采用Anchor Boxes聚类提取anchor尺度边框位置的预测细粒度特征融合多尺度训练速度更快（Faster）识别对象更多yoloV3算法简介多尺度检测网络模型结构先验框logistic回归yoloV3模型的输入与输出yoloV4总结
【目标检测】yolov5简单实战
zgsdzzh的博客
01-29 1737
使用了CSP结构，将feature_map分为两个part，一个part用于继续使用网络处理，其余经过简单处理直接加在第一个part的输出上（整体与ResNet有区别，ResNet是整个加上去）yolov5的图片输入部分，使用了Mosaic进行数据增强，将几张图片融合在一起，丰富了检测目标的背景，同时在计算batch_size normalization 时计算更快。和yolov3，yolov4类似，生成多尺度的anchors，可以进行多尺度的预测。使用了FPN+PAN，可以进行高低层特征融合。
通俗易懂的YOLO系列（从V1到V5）模型解读！
热门推荐
小白学视觉
01-01 3万+
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达0 前言本文目的是用尽量浅显易懂的语言让零基础小白能够理解什么是YOLO系列模型，以及他们的设计思想和改进思路分别是什...
07 目标检测-YOLO的基本原理详解
qq_41946216的博客
09-07 5775
YOLO是一种新的目标检测方法。以前的目标检测方法通过重新利用分类器来执行检测。与先前的方案不同，将目标检测看作回归问题从空间上定位边界框（bounding box）并预测该框的类别概率。使用单个神经网络，在一次评估中直接从完整图像上预测边界框和类别概率。由于整个检测流程仅用一个网络，所以可以直接对检测性能进行端到端的优化。
yolo6666666666666666
02-12
YOLO（You Only Look Once）是一种著名的实时目标检测系统，其设计目的是为了在保持高效率的同时，实现对图像中物体的快速和准确检测。YOLO系列算法自2016年首次提出以来，已经经历了多次迭代，从YOLOv1到YOLOv5，每...
yolo.cfg和yolo.weight
02-20
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，尤其是在自动驾驶、视频监控和图像分析等场景。标题中的"yolo.cfg"和"yolo.weight"是YOLO模型的核心组成部分。 `yolo.cfg`...
yolo-tracking实践资料
03-25
YOLO（You Only Look Once）是一种著名的实时目标检测系统，由Joseph Redmon等人在2016年提出。YOLO的主要优点在于其速度与准确性之间的平衡，使得它非常适合于实时应用，比如自动驾驶、视频监控等领域。YOLOv3和...
CCTSDB YOLO格式标注txt，附转换代码
03-31
在计算机视觉领域，YOLO（You Only Look Once）是一种广泛使用的实时目标检测系统。它以其高效和准确性赢得了研究人员和开发者的青睐。CCTSDB（可能是某个特定的数据集名称）提供了YOLO格式的标注文件，用于训练YOLO...
yolo算法讲解ppt
08-28
deepsystems.io的YOLO算法讲解ppt，讲解很详细，以图像化的方式讲解原理步骤，清晰易懂。
yolo
qq_44089890的博客
04-13 1238
其实从yolov1到至今已经发展到了yolov8，但是它的功能不稳定，我个人是比较喜欢用yolov5的，因为yolo就是在出了yolov5之后才开始火的，之前我们都是用ssd或者fater-rcnn。因为之前的yolo仅仅是速度快，精准度上没有另外的2种算法比较好，yolov7其实基本上和yolov5是一样的，只是在它的基础上改进了一些点，比如增加了一个辅助头检测，这个概念其实借鉴了Googlenet，重参数化卷积其实就是对bn和卷积层进行融合，形成一个卷积模块，使用elan网络。
yolov5环境搭建（Anaconda-py3.9、PyTorch-CPU、yolov5-4.0、PyCharm）
jialChen的博客
05-12 3391
Windows10搭建yolov5-4.0，使用CPU版本PyTorch，可以在anaconda命令行和PyCharm中运行代码
YOLOV3实战项目
QT-Smile
03-06 3557
YOLOV3实战项目 四、标签文件的读取与处理 coco数据集有80个类别，而前面的第一个数代表着类别所对应的序号。 2. 后面表示前面所代表物体在这张图片上的坐标。 3. 但是2中的类别所对应的坐标是指图片还没有pad之前的位置，现在经过pad的处理，物体的相对位置也发生了变化。 4. 5. 6. 7. 此时的target中存放着这张图片所属类别的编号，图片中的物体所处的相对坐标。 8. 9. 五、debug模式的介绍 六、基于配置文件构建网络模型 2. 3.
三天从YOLOV8关键点检测入门到实战（第一天）——初识YOLOV8
chenyuan1111的博客
10-09 1623
*总结：**我们常见的YOLO训练结束之后画出框框和关键点就是这么来的，是不是感觉清楚了yolo的某一部分还是挺开心的。我们可以看到 这个标注的json中，有label、关键点坐标等等的关键信息，我们大概知道要把这些信息提取出来然后画到图片上去。数据集来源于同济子豪兄的github，这个真的是良心，对于学习yolov8，我愿称之为最牛的yolov8资源。yolov8和yolov5的文件有着很大的区别，yolov8封装得明显是更加深了。运行完之后，你就可以尝试用这个yolov8来训练原有的coco128。
深度学习 -- YOLO 算法流程详解
weixin_39749553的博客
03-02 2万+
YOLO同样是经典论文，后续很多论文以此为基础，例如YOLO9000、YOLOv3等， 如果有写的不对、有问题或者看不懂的地方，还望指正。如果有了新的理解，我会持续更新。 文章2016年发表，当时的视觉检测模型有两个问题，一个是速度快但是准确率差，另一种是准确率高但是速度很慢（faster rcnn 当时只有 3 - 5 FPS）。这类，无论在学术界还是工程界，都有很大的...
目标检测YOLOv3实战：叶病虫害检测
m0_71060858的博客
12-08 708
提供了2183张图片，其中训练集1693张，验证集245，测试集245张。包含7种昆虫，分别是Boerner、Leconte、Linnaeus、acuminatus、armandi、coleoptera和linnaeus。包含了图片和标注。
YOLOv5实战垃圾分类目标检测
06-13
垃圾分类是一项利国利民的民生工程，需要全社会的共同参与。YOLOv5是目前流行的强悍的目标检测技术。本项目采用YOLOv5实现垃圾分类目标检测。利用超万张已标注目标检测数据集进行训练，对居民生活垃圾图片进行检测，找出图片中属于哪个类别的垃圾，并指示出在图片中的位置。本课程的YOLOv5使用PyTorch版的ultralytics/yolov5，分别在Windows和Ubuntu系统上进行垃圾分类目标检测的项目演示。具体项目过程包括：数据集及格式转换、探索性数据分析（EDA）、安装软件环境、安装YOLOv5、修改YOLOv5代码(为支持中文标签）、训练集和测试集自动划分、修改配置文件、准备Weights&Biases训练可视化工具、训练网络模型、测试训练出的网络模型和性能统计。
PEnet yolo
最新发布
05-25
PENet YOLO是一种基于深度学习的目标检测算法，它结合了两个经典的目标检测算法：PENet和YOLOv3。PENet是一种高效的轻量级网络结构，可以实现实时的目标检测，而YOLOv3则是一种非常流行的目标检测算法，具有准确率高...
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