YOLO v1(you only look once)

已于 2022-01-30 08:51:40 修改
阅读量82 收藏
点赞数
分类专栏： 深度学习算法 文章标签： 机器学习 大数据 深度学习 神经网络 人工智能
于 2021-12-23 14:29:04 首次发布
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/wrk226/article/details/122740517
版权

预测：
YOLO的整体结构就是CNN，输入是一个正方形的图片，输出是一个7730维的张量。
YOLO在一开始就会将一张图平均划分为77=49个方块，因此对应到输出中就是每个小方块对应了1130维的张量。
而这30维张量就由预测框1[5维]，预测框2[5维]，类别概率[20维]组成。
其中预测框的五维分别是：左上角的二维坐标，预测框的长宽和预测框的confidence分数。
之所以有两个预测框据说是为了加快收敛速度。
类别概率20维就对应了数据集里的20种物体
在获得了这最后的77*30维的张量后，使用NMS对所有的方框进行筛选，留下的预测框和对应的最大类别概率就是最终结果。

训练：
把CNN放到imagenet上预训练一下，然后再连接上最后的一层获得7730维的张量。
由于训练集是已经有ground truth的bbox标定的，因此yolo会提取各个gt bbox的中心点，如果这个中心点落在某个小块(49个中的某一个)上的话，这个小块就负责预测这个bbox，而其它小块就都和这个bbox无关。且由于每个小块都会预测出两个bbox，这两个bbox中置信度小的那个bbox也不参与loss的计算，和别的没有bbox中心点的小块产生的bbox一视同仁。
训练的主要问题就是loss的设计，这个loss包含了五个部分：
1.对于包含gt bbox中心点的小块，我们希望它可以准确的预测出中心点的坐标
2.对于包含gt bbox中心点的小块，我们希望他可以准确地预测出bbox的长宽。
3.对于包含gt bbox中心点的小块，我们希望他对于预测出的bbox的置信度越高越好
4.对于不包含任何gt box中心点的小块，我们希望他对于他预测出的bbox的置信度越低越好
5.对于包含gt boox中心点的小块，我们希望它可以准确地预测出bbox中物体的类别

优点：端到端，快。考虑了全景，因此对于背景不容易误判
缺点：由于划分了49个小方块，所以最多只能预测49个物体，因此对于小物体的分类就不好

参考链接：https://www.bilibili.com/video/BV15w411Z7LG

深蓝蓝蓝蓝蓝
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
YOLOV5源代码学习之build_targets()函数
Ji_HON的博客
11-07 3058
build_targets()函数的作用：找出与该gt最匹配的先验框（anchor） 下面的代码调试均是将train函数中的batchsize设置为2进行的，且每张数据集图片中只有一个目标 为了更方便直观的理解代码，每一步都输出了变量的值 #这里na为锚框种类数 nt为目标数 这里的na为3，nt为2 na, nt = self.na, targets.shape[0] # 类别 边界盒 索引 锚框 tcls, tbox, indices, anch = [], [], [], [] # 利用ga.
Pytorch机器学习（九）—— YOLO中对于锚框，预测框，产生候选区域及对候选区域进行标注详解
lzzzzzzm的博客
10-06 1万+
Pytorch机器学习（九）—— YOLO中锚框，预测框，产生候选区域及对候选区域进行标注 目录 Pytorch机器学习（九）—— YOLO中锚框，预测框，产生候选区域及对候选区域进行标注 前言 一、基本概念 1、边界框（bounding box） xyxy格式 xywh格式 2、锚框（anchor box） 3、预测框（predictionbox） 中心目标生成 长宽生成 4、对候选区域进行标注 objectness标签 location标签 label标签 .
YoLact测试一张图
u013652567的博客
09-27 1882
(pytorch) C:\Users\Administrator\Anaconda3\envs\pytorch>python D:/Pycharm/yolact-master/eval.py --trained_model=D:/Pycharm/yolact-master/weights/yolact_resnet50_54_800000.pth --score_threshold=0.3 ...
图像分割之YOLACT & YOLACT++
文森特的博客
04-15 2万+
YOLACT：https://arxiv.org/abs/1904.02689 YOLACT++：https://arxiv.org/abs/1912.06218 Code：https://github.com/dbolya/yolact/ 本文的主要贡献： YOLACT是第一个在MS COCO数据集上实现实时实例分割的模型，它是通过两个并行的子网络来实现的。(1)Prediction Hea...
目标检测：YOLOv3: 训练自己的数据
热门推荐
微风❤水墨
03-26 18万+
------------------------------ 本文仅供学习交流，如有错误，望交流指教 ------------------------------ windows 版本：请参考：https://github.com/AlexeyAB/darknet linux 版本：请参考本文与https://pjreddie.com/darknet/...
【目标检测】YOLO v1 (You Only Look Once) 详细解读
__阿健__的博客
04-29 3035
YOLO（You Only Look Once），是yolo系列的 开山之作，也是 深度学习领域第一个one-stage detector。 作为一个 one-stage 检测器，YOLO 没有生成建议框这一步骤，它 直接将图片划分为 S×S 个网格 (grid cell)，每个网格对 中心点落入其中的目标 进行检测【如果目标的中心点落入某个格子中，我们就说这个格子 “包含” 了这个目标，就由这个格子负责对这个目标的检测】。
YOLO（You Only Look Once）算法详解
gaotihong的博客
08-22 633
https://blog.csdn.net/u014380165/article/details/72616238   这篇博客主要介绍下YOLO v1算法（CVPR2016的文章）。YOLO是目前比较流行的object detection算法，速度快且结构简单，其他的object detection算法如faster RCNN，SSD相信大家也不陌生，以后有机会再介绍。另外提一下，这里算法部分...
【深度学习】：详解目标检测YOLO V1（You Only Look Once）算法
Vermont_的博客
02-22 2256
YOLO（You Only Look Once）是一种基于深度神经网络的对象识别和定位算法。Yolo系列算法属于One-Stage算法,是一种基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以用于实时系统。现在YOLO已经发展到v5版本，不过新版本也是在原有版本基础上不断改进演化的。 论文名称：You only look once unified real-time object detection论文链接 1、YOLO v1 算法内容 作者在YOLO算法中把物体检测（object
YOLO v1 ~ YOLO v5 论文解读和实现细节
06-06
YOLO（You Only Look Once）是一种实时目标检测算法，自从YOLOv1的提出以来，已经有了多种改进版本，我们将从YOLOv1到YOLOv5的论文解读和实现细节进行讲解。 YOLOv1 YOLOv1是YOLO系列的第一代版本，它使用来自整张...
通俗易懂的YOLO系列（从V1到V5）模型解读！
08-19
YOLO（You Only Look Once）是一种实时目标检测算法，由Joseph Redmon等人在2016年提出。YOLO系列模型解读将从V1到V5的模型设计思想和改进思路进行详细解读。 YOLO V1 YOLO V1是YOLO系列的第一代模型，它的设计...
YOLO v1 论文笔记1（超详细：翻译+理解）
04-23
这篇文章提出了一个新的物体检测的方法：You Only Look Once（YOLO），之前的物体检测方法通常都转变为了一个分类问题，如 R-CNN、Fast R-CNN 等等。 而这篇文章将检测变为一个 regression problem（回归问题），...
yolo发展历程详细介绍
06-27
YOLO（You Only Look Once）是一种实时物体检测算法，由Joseph Redmon和Ali Farhadi在2015年提出。YOLO算法可以实时地检测图像中的物体，无需人工干预，具有高效、准确的特点。 YOLO-V2算法 YOLO-V2算法是YOLO算法...
yolo系列论文原文，包含yolov1~yolov7
05-30
这份资源收集了YOLO（You Only Look Once）系列所有的论文，包括YOLO v1、YOLO v2、YOLO v3和YOLO v4，以及它们的改进版本和衍生算法。YOLO是一种基于深度学习的目标检测算法，具有高速度、高效率和高准确性等优点，...
“探索机器学习的多面世界：从理论到应用与未来展望“
最新发布
窗外风景随心变幻
06-14 2289
监督学习是机器学习的重要类型。它基于有标记的训练数据进行学习。主要任务包括分类和回归。分类用于预测离散的类别标签，比如判断邮件是否为垃圾邮件。回归则用于预测连续的值，例如房价预测。常见算法有线性回归、逻辑回归、决策树等。以线性回归为例，其目标是找到一条直线来拟合数据。
【Python】探索 One-Class SVM：异常检测的利器
2333333
06-09 861
One-Class SVM 是一种无监督学习算法，用于识别数据集中与大多数样本显著不同的异常样本。与传统的 SVM 不同，One-Class SVM 仅使用正样本进行训练，其目标是找到一个决策边界，使得大多数正样本位于边界内，而异常样本位于边界外。One-Class SVM 的基本原理是寻找一个能够包含大部分数据点的超平面，并最大化该超平面的边界。
人工智能和机器学习这两个概念有什么区别？
xiao77224li的博客
06-10 1611
机器学习，MachineLearning（简称ML），机器学习领域知名学者Tom M.Mitchell曾给机器学习做如下定义：如果计算机程序针对某类任务T的性能（用P来衡量）能通过经验E来自我改善，则认为关于T和P，程序对E进行了学习。通俗来讲，计算机针对某一任务，从经验中学习，并且能越做越好，这一过程就是机器学习。一般情况下，“经验”都是以数据的方式存在的，计算机程序从这些数据中学习。学习的关键是模型算法，它可以学习已有的经验数据，用以预测未知数据。
【机器学习】基于卷积LSTM的视频预测
MUKAMO的博客
06-10 1064
本文介绍了LSTM及其在视频预测中的应用。LSTM通过门控机制解决了RNN的梯度问题，并在视频预测中展现出优势，如捕捉时空特征和处理复杂模式。文章详细描述了LSTM视频预测的过程，包括数据预处理、模型构建、训练和可视化。通过Python代码和GIF动画，展示了模型性能。本文为理解LSTM和视频预测技术提供了深入指导和实用信息，使读者能利用LSTM进行有效视频预测。
Python 深度学习和机器学习的模型评估库之torchmetrics使用详解
Rocky006的博客
06-11 1146
在深度学习和机器学习项目中，模型评估是一个至关重要的环节。为了准确地评估模型的性能，开发者通常需要计算各种指标（metrics），如准确率、精确率、召回率、F1 分数等。torchmetrics是一个用于 PyTorch 的开源库，提供了一组方便且高效的评估指标计算工具。本文将详细介绍torchmetrics库，包括其安装方法、主要特性、基本和高级功能，以及实际应用场景，帮助全面了解并掌握该库的使用。
Scikit-learn 基础教程：机器学习的初步指南
LeoLei8060的博客
06-13 1090
Scikit-learn 是一个强大且易于使用的机器学习库，适合初学者和经验丰富的数据科学家。本文介绍了 Scikit-learn 的安装方法、核心组件及其应用。通过一个简单的机器学习项目，我们演示了如何使用 Scikit-learn 进行数据加载、分割、训练和评估。希望这篇教程能够帮助您更好地理解和使用 Scikit-learn 进行机器学习任务。
yolo v1的优点与缺点
03-22
YOLO（You Only Look Once）是一种实时目标检测算法，YOLO v1是其第一个版本。下面是YOLO v1的优点和缺点： 优点： 1. 实时性：YOLO v1以极快的速度进行目标检测，可以在实时视频中实现高效的目标检测。 2. 简单...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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