YOLOv1论文阅读笔记

最新推荐文章于 2023-02-13 21:07:53 发布
最新推荐文章于 2023-02-13 21:07:53 发布
阅读量2.8k 收藏
点赞数
分类专栏： 玄学的深度学习 文章标签： 深度学习 计算机视觉 目标检测
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/wrysunny_bc/article/details/122690972
版权

YOLOv1论文思想

(1)YOLO首先将输入图像分割为SxS大小的网格(gridcell),只要我们的预测对象(object)的中心点在划分好的网格内,就使用此网格来进行该对象的预测.

(2)每个网格要预测B个boundingbox,每个boundingbox除了要预测位置之外,还要附带预测一个confidence值(也就是说在YOLO中,每个边界框由五个预测组成,x,y,w,h和confidence).每个网格还要预测C个类别的分数.

YOLOv1模型结构

YOLOv1模型如原论文中图所示:

看着很简单,实际上实现起来也很简单.

卷积层负责从图像中提取特征,然后交给全连接层来进行目标的概率预测和坐标预测.

YOLOv1损失函数

对于损失函数,YOLOv1中使用了sum-squarederror(误差平方和),分别由boundingbox损失,confidence损失和classes损失相加得到.

原论文中公式如下:

对于 部分,不使用w_{i}-\hat{w}_{i}的原因则是为了在不同尺度下偏移相同的距离所得到的误差值不同.因为如果预测和真实的偏移量相同时,对于小目标而言,预测相比于大目标是很差的,具体是因为IOU不同.

局限性

在原论文中也给出了局限性,在面对成群的小目标例如鸟群时,很难对其进行预测.在遇到新的尺寸和配置的时候,效果同样很差,并且作者发现,主要的错误原因都在于定位不准确所产生.

 

wrysunny_bc
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
YOLOv1论文深度解析（8小时原汁原味逐句解析YOLO论文）
12-05
深度解析YOLO论文。原汁原味读YOLO论文。课程时长近8个小时，详细解析了论文的内容。该课程力图帮助大家读到原汁原味的论文，对原论文进行了逐句解析。并以【左侧论文】、【右侧翻译、解析】的对比形式帮助大家更好地理解论文。该课程不仅仅包含了论文的“英-中”的翻译，更重要的是给出了真多论文中相关知识点的详细深度解析。例如，selective search、sliding window、NMS等知识点都在文中进行了比较详细的介绍。希望这个课程能够帮助大家更好地入门YOLOv1.
yolov1原文地址以及论文翻译
m0_37192554的博客
07-18 2万+
论文原文：https://arxiv.org/pdf/1506.02640.pdf Tensorflow版本yolo v1:https://github.com/gliese581gg/YOLO_tensorflow Abstract 摘要  本文提出了一种新的物体检测方法YOLO。YOLO之前的物体检测方法主要...
YOLO系列论文精读总结——YOLOv1篇
AI_eNyu的博客
05-03 5409
YOLOv1论文精度YOLO系列论文精读总结——[YOLOv1篇](https://download.csdn.net/download/AI_eNyu/85274569)YOLOv1概述1. 推理阶段2 训练阶段2.1 网络结构:2.2 损失函数:后续版本 YOLO系列论文精读总结——YOLOv1篇 概述：本文为YOLOv1论文精度的记录，帮助理解YOLOv1整个训练以及预测过程。 Tips: 文章绿色部分为YOLO后续论文中优化更改的内容。 YOLOv1论文精度资料，包括论文原文，推测部分经典PPT
【YOLO系列】YOLOv1论文超详细解读（翻译 ＋学习笔记）
热门推荐
路人贾的博客
02-13 2万+
YOLOv1论文（《You Only Look Once: Unified, Real-Time Object Detection》）超详细精读。看这一篇就够了！
【论文阅读】YOLOV1论文详解
想当咸鱼的猫
11-20 3209
YOLOV1 1. Introduction YOLO非常简单：对于一张完整的图像，通过一个单一的卷积网络可以同时预测多个bounding boxes的回归参数和这些boxes的类别概率，并直接优化检测性能。这种统一的模式相对于传统的目标检测有以下几个好处： 检测特别快。 与滑动窗口和基于region proposal的技术不同，YOLO在训练和测试期间可以看到整个图像，因此它能隐式地编码类别以及它们的外观的上下文信息 YOLO学习地是目标的通用表示法，具有高度的通用性 但是，在准确性上，YOLO仍然
YOLOv3论文笔记1
08-03
该论文介绍了YOLOv3如何采用改进的技术来优化其前一代YOLOv2的设计，包括引入更好的基础网络结构、优化边界框预测方式以及实现多尺度预测。 首先，YOLOv3引入了多尺度预测，以适应不同大小的目标。这种设计灵感来源...
全新的SOTA模型YOLOv9原文 + 论文阅读笔记
最新发布
02-22
当今的深度学习方法专注于如何设计最合适的目标函数，以使...PGI可用于从轻量级到大型的各种模型，它可以获取完整信息，使得从零开始训练的模型比使用大型数据集预训练的最新模型获得更好的结果，比较结果如图1所示。
YOLO系列YOLOv1论文超详细解读（翻译 ＋学习笔记）.pdf
05-13
YOLOv1作为YOLO系列的第一版，以其快速和简洁的设计引起了广泛的关注。相较于早期的目标检测算法，如R-CNN系列，YOLOv1采用了端到端的单阶段检测方法，极大地提高了检测速度。 传统的目标检测方法，如R-CNN，通常...
【论文阅读笔记】YOLOv3: An Incremental Improvement
01-20
YOLOv3: An Incremental Improvement 是一篇关于目标检测算法改进的论文，由 Joseph Redmon 和 Ali Farhadi 在 2018 年提出。YOLO（You Only Look Once）系列算法以其实时性与相对较高的检测精度而受到广泛关注。在 ...
个人学习笔记-计算机视觉篇-YOLOv1
01-06
YOLOv1论文翻译： https://blog.csdn.net/woduoxiangfeiya/article/details/80866155?utm_source=distribute.pc_relevant.none-task YOLOv1原文： https://arxiv.org/pdf/1506.02640.pdf 以下为参考博主博客...
YOLO V1 论文高清
04-24
YOLO目标识别V1第一篇论文，学习之后再看YOLO9000和YOLOV3更加深入
YOLOv1详解
qq_42755230的博客
07-16 1809
YOLO（You only look once）你只需要看一次，提出了一种新的one stage类型的检测器，正如名字所说的那样，一步到位，直接预测出目标类别和位置。不同于之前的检测器，YOLO将目标检测视作回归问题，整个检测网络是单一的神经网络，输入是图像，输出直接给出目标类别和位置，不需要给出目标的区域建议再进行复杂的后处理。......
【论文学习】YOLO v1
可乐大牛的博客
04-17 2028
文章目录论文思想论文原文论文翻译摘要1.介绍2.统一的检测2.1.网络设计2.2. 训练2.2.推论2.3.YOLO的局限性3.与其他目标检测算法的对比4.实验4.1. 与其他实时系统的比较4.2. VOC 2007 误差分析4.3. 将 Fast R-CNN 和 YOLO进行结合4.4. VOC 2012 的测试结果4.5. 泛化能力: 艺术作品中的人物检测5. 真实场景的实时检测6. 结论 论文思想 明天上传 论文原文 链接，提取码：xhpn 论文翻译 YOLO-统一的、实时的目标检测模型 摘要 我们提
一周一个小朋友系列——YOLOV1 paper Analysis
脑瓜子嗡嗡的小刘
01-30 1933
脑瓜子嗡嗡的小刘炼丹之路—YOLOV1 paper Analysis    嘿嘿嘿！脑瓜子嗡嗡的小刘又来了哦，这节课我们讲YOLO1，拿小本本记一下笔记哇。    老夫掐指一算YOLO(You Only Look Once)从2016-2020，都从V1到V5了，YOLO在众多的开源网络中，属实耐打并且是非常nice的一个网络架构，从YOLO的名字都可以得出作者的强势You Only Look Once，你只需看一次！emmmm..
【深度学习 论文篇 02-1 】YOLOv1论文精读
qq_45562973的博客
04-15 1465
Python微信订餐小程序课程视频 https://blog.csdn.net/m0_56069948/article/details/122285951 Python实战量化交易理财系统 https://blog.csdn.net/m0_56069948/article/details/122285941目录 1. 简介 2. 论文思想 2.1 算法流程 2.2 网络结构 2.3 预训练分类网络 2.4 训练检测网络 2.5 损失函数（L2 Loss） 3. YOLOv1的缺陷 4. 其他一些检测
YOLOv1 论文精读
The Shawshank Redemption
09-29 879
摘要 我们提出了YOLO，这是一个目标检测的新方法。目标检测领域的以往工作就是对分类器稍加调整以用于检测。相反，我们是将目标检测视为一个回归问题，这个问题是得到空间上分离的包围框(bounding boxes)以及和这些框相联系的类别概率。一个单独的神经网络就可以在一次评估中直接从整幅图像中预测bounding boxes以及对应的类别概率。由于整个检测的流程是在一个单独的网络中完成的，它能够依靠检测的表现结果进行端到端的直接优化。 依靠检测的表现结果进行端到端的直接优化：个人理解指的就是我们可以依靠检
YOLO，You Only Look Once论文翻译——中英文对照
SnailTyan
12-04 7349
文章作者：Tyan 博客：noahsnail.com  |  CSDN  |  简书 声明：作者翻译论文仅为学习，如有侵权请联系作者删除博文，谢谢！ 翻译论文汇总：https://github.com/SnailTyan/deep-learning-papers-translation You Only Look Once: Unified, Rea...
YOLOv1论文详解【算法原理、置信度、IOU、损失函数等】
weixin_48200452的博客
05-10 1万+
参考文章： https://blog.csdn.net/litt1e/article/details/88814417 https://blog.csdn.net/qq_39800375/article/details/107721015 从R-CNN到Faster R-CNN一直采用的思路是proposal+分类 （proposal 提供位置信息， 分类提供类别信息）精度已经很高，但由于two-stage（proposal耗费时间过多）处理速度不行达不到real-time效果。 （R-CNN use r
YOLO V1 论文阅读总结和讨论
固本培元的专栏
11-19 592
  YOLO V1 论文阅读总结和讨论 look for papers for yolo1 contributer : leoluopy github地址： https://github.com/leoluopy/paper_discussing/blob/master/yolo/yolo1/yolo1_discussing.md YOLOV1： https://github.com/le...
YOLOv1论文详解：目标检测新范式
"YOLO系列YOLOv1论文深度解析（翻译 ＋学习笔记）涵盖了目标检测领域的一个重要里程碑。该论文由Joseph Redmon等研究人员在2015年提出，旨在解决目标检测速度与精度之间的平衡问题，与传统的两阶段方法如R-CNN不同，...

“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