YOLO V1的过程解读

最新推荐文章于 2024-06-26 15:04:49 发布
最新推荐文章于 2024-06-26 15:04:49 发布
阅读量1.3k 收藏 2
点赞数 2
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/wzz_liu/article/details/80792527
版权
YOLO V1是一种目标检测方法，通过将图像划分为网格并预测每个网格的边界框和类别概率。每个对象仅由一个网格负责，损失函数包括坐标、置信度和类别损失。在测试阶段，网络输出的边界框经过NMS处理以减少冗余。YOLO V1在速度上有优势，但在处理多目标和小物体时表现不佳。
摘要由CSDN通过智能技术生成

you only look once!!!

一、所需基本姿势

1、YOLO将图片分成S*S的grid cell，每个grid cell对应B个bounding box，论文S=7，B=2，故有98个bbox。

2、YOLO中每一个Object只对应一个中心点，该中心点只唯一出现在一个grid cell中

3、Object中心点落在的那个grid cell负责把该Object回归出，彻底不是选取proposal再看看这个合不合适的模式

 

二、TRAINING

如图输入为448*448*3，经过类似GoogLenet的只有1*1和3*3的卷积后，得到7*7*30的feature，显然7*7对应每一个grid cell，而30个channel呢？

 

 

如图，30个channel对应2个bbox的5个位置信息和confidence，confidence是它是否是Object的概率乘上最大的IoU（当有Object的中心点在该grid cell上，则Pr(Object)=1，否者为0）；再加上20个class的feature。

最低0.47元/天 解锁文章
ThereIsNoSpoon_
关注
YOLOv1原理详解---训练 & 测试
weixin_40092412的博客
06-01 3737
YOLOv1原理详解---训练 & 测试YOLOv1原理论文简要解读训练测试如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 YOLOv1原理 论文简要解...
【YOLOV1】流程详解
mjiansun的专栏
06-18 1581
You Only Look Once: Unified, Real-Time Object Detection 论文：https://arxiv.org/abs/1506.02640 Abstract 作者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是通过region proposal产生大量的可能包含待检测物体的 potential bounding box，再用分类器去判断每个 bounding box里是否包含有物体，以及物体所属类别的 probability或者 co
目标检测系列（二）yolov1的全面讲解
最新发布
Trisyp的博客
06-26 1959
yolov1的全面讲解，网络结构、检测原理、正样本制作、损失函数、前向推理等
YOLOv1的原理及实现过程
weixin_42278173的博客
08-17 1万+
YOLO v1的原理及实现过程 目标检测是一件比较实际的且具有挑战性的计算机视觉任务，其可以看成图像分类与定位的结合，给定一张图片，目标检测系统要能够识别出图片的目标并给出其位置，由于图片中目标数是不定的，且要给出目标的精确位置，目标检测相比分类任务更复杂。目标检测的一个实际应用场景就是无人驾驶，如果能够在无人车上装载一个有效的目标检测系统，那么无人车将和人一样有了眼睛，可以快速地检测出前面的行...
yolov1大体步骤
点绛唇
09-01 841
1、输入图像 2、将图像送入卷积神经网络中进行特征提取---得到特征图 （前面是一些vgg的操作，就是来得到特征图） 3、对特征图进行操作，输出想要的形状 （后面几个是对特征图简单操作一下，然后进行全连接，最后reshape成（7*7*30）） 这个有过解释，这个7*7*30本身没有意义，是作者赋予它意义，引导网络，按着作者的意思来进行。 这个7*7就是作者将图片划分成7*7的区域，共有49个网格，每个网格产生2个框，这2个框预测同一个类别，voc数据集是20类，每个框有（c，x，y，w，h）五
YOLO 1 细节详解
FLY__1997的博客
07-30 862
一、YOLO 1的特点 1、与当时最先进的技术相比还欠缺一些定位准确度，但在识别精度上较高 2、base模型处理图片可以达到45 fps/s, fast YOLO更小的模型达到155 fps/s,且仍然有两倍的map相较于其他的实时检测器。因此可应用于实时系统检测。 3、传统的几种检测器是通过滑动窗口或基于区域检测物体的，而YOLO检测与识别物体时是观测整张图片的，所以其可以学习类之间（论文中说还有外观之间）的上下文信息，如（桌子和杯子），因此其对背景物体检测准确率较高。 4、由于YOLO训练和检测时是看到
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，它的设计思想是将目标检测任务转换为回归问题。YOLO V1模型使用了一个卷积神经网络（CNN）对图像进行...
通俗易懂的YOLO系列（从V1到V5）模型解读
11-09
自V1版本发布以来，YOLO经历了多次迭代，发展到了V5，每个版本都在速度、精度和实用性上进行了优化。本文旨在以通俗易懂的方式解析YOLO系列模型的核心思想和改进策略，适合初学者理解。 首先，YOLO的核心思想是将...
【YOLO入门】 YOLO_V1源文件学习
倔强的大萝卜的博客
01-09 2339
目录 0 前言 1 YOLO_V1代码预览 2 train解析 2.1 先看一下导入的文件 2.2 main函数开始 2.2 YOLONet 2.3 pascal_voc 0 前言 之前陆续已经实现了如何使用YOLOV3，YOLOV1进行目标检测，这两天想抽时间，学习一下官方的原源文件，补充一下理论知识。本文使用的源码来源于https://github.com/hizhangp...
YOLOV2训练全过程详解
11-23
目录结构： 准备训练样本 修改源文件 构建用户的训练数据文件夹 训练 各种曲线的绘制 各种参数解析
yolo_v1算法详解及注意事项
C++
01-16 1184
                                                                          Yolo算法详解及注意事项 1 yolo算法---常用概念    概念1 grid cell的size (个数)       对输入图像（假设是448*448）不断提取特征然后sample得到的（缩小了32倍）得到的尺寸size：7*7，然后将输...
YoloV1，看过好多篇，这篇感觉讲的最通俗易懂
skywalker_123的博客
01-16 4296
https://blog.csdn.net/m0_37192554/article/details/81092514
【tensorflow + Faster RCNN】损失函数构建
Mr_health的博客
12-11 1849
前面两篇博客已经叙述了基于vgg模型构建faster rcnn的过程： tensorflow+faster rcnn代码理解（一）：构建vgg前端和RPN网络 tensorflow+faster rcnn代码解析（二）：anchor_target_layer、proposal_target_layer、proposal_layer faster rcnn的Loss分为4部分： 1....
【程序】yolo_v1 loss函数：nooobj_loss；contain_loss；loc_loss；not_contain_loss；class_loss
nyist_yangguang的博客
07-29 498
nooobj_loss = F.mse_loss(noo_pred_c, noo_target_c, size_average=False) contain_loss = F.mse_loss(box_pred_response[:, 4], box_target_response_iou[:, 4], size_average=False) loc_loss = F.mse_loss(box_pred_response[:, :2], box_target_response[:, :2], ...
YOLOV1（pytorch） 代码讲解
ing100的博客
07-06 1万+
使用pytorch实现基于ResNet50的YOLOV1算法，并进行训练以及预测。
YOLOv1代码分析——pytorch版保姆级教程
chase
03-17 8984
YOLOv1代码分析——pytorch版保姆级教程
yolov1详解
热门推荐
frighting_ing的博客
03-12 2万+
YOLOv1 YOLOv1是单阶段目标检测方法，不需要像Faster RCNN这种两阶段目标检测方法一样，需要生成先验框。Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测。 整个YOLO目标检测pipeline如上图所示：首先将输入图片resize到448x448，然后送入CNN网络，最后处理网络预测结果得到检测的目标。相比R-CNN系列算法，其是一个统一的框架，其速度更快，而且Yolo的训练过程也是end-to-end的。 具体来说，YOLO将全图划分为S×SS×SS×S的格子，
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. 简单高效：YOLO v1采用单个神经网络模型，将目标检测问题转化为一个回归问题，使得算法简单高效。 3. 全局信息：YOLO v1在整个图像上进行预测，可以捕捉到全局的上下文信息，有利于准确地定位和分类目标。 4. 多尺度特征融合：YOLO v1通过将不同尺度的特征图进行融合，可以更好地处理不同大小的目标。 缺点： 1. 定位不准确：由于YOLO v1将目标检测问题转化为回归问题，导致定位不够精确，无法准确地预测目标的边界框。 2. 小目标检测困难：YOLO v1在小目标的检测上表现较差，因为小目标的特征往往被分辨率较低的特征图所丢失。 3. 类别不平衡问题：YOLO v1在训练时对于不同类别的目标数量不平衡问题处理不够好，导致一些少见的类别难以被准确检测。
评论 3
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