yolo 系列

已于 2022-12-09 14:17:41 修改
阅读量344 收藏
点赞数 2
文章标签： python pandas
于 2022-11-30 15:38:36 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/yayalejianyue/article/details/128114705
版权

yolov3和yolov4

前言

记录自己对yolo的理解，不喜勿喷！

文章末尾有引用各位大佬的链接！

一、yolov3

1.1.yolov3框架

yolov3框架如下：由backbone+Neck+prediction构成 

其中Neck采用FPN结构，FPN是自顶向下的，将高层的特征信息通过上采样（upsample）的方式进行传递融合，得到进行预测的特征图。

1.2 FPN（Feature Pyramid Networks）

FPN是特征金字塔网络：对网络的最后一层feature map做上采样，然后与相应尺寸feature map做融合

思想：对最底层的特征进行向上采样，并与之融合，加强了特征提取，即将高层的语义传递下来，补充底层的语义，使之获得高分辨率，强语义的特征，有利于小目标检测。

记忆点：自底向上，自顶向下，横向连接

自底向上：使用Darknet53（没有全连接层）作为backbone对图片进行特征提取，得到的feature map ：608->304->152->76->38->19

自顶向下：最后一层feature map （19*19）进行上采样upsample

横向连接：为了特征融合：横向连接的两层特征在空间尺寸相同，主要是将底层的空间信息，以及顶部的语义信息进行融合

1.2 上采样upsample

二.yolov4

2.1yolov4框架

yolov4框架：同样由backbone+neck+prediction构成

其中Neck是由FPN和一个自底向上的特征金字塔（包含两个PAN网络），FPN自顶向下传达强语义特征，PAN自底向上传达强定位，两两联手，从不同的主干层对不同的检测层进行参数聚合。

 2.2 PAN

原本的PANet网络的PAN结构中，两个特征图结合是采用shortcut即add操作，而Yolov4中则采用concat（route）操作，特征图融合后的尺寸发生了变化。

三、Prediction创新之路

目标检测的损失函数一般是分类损失函数和目标框回归损失函数组成。

主要从目标框回归损失函数来看yolo系列的变化，从IOU_loss->GIOU_loss->DIOU-loss->CIOU_loss演变

目标框损失函数主要考虑三个方面：重叠面积、中心点距离，长宽比

3.1 lou_loss

IOU_loss损失函数计算方法:

具体看下图： 

 IOU_loss损失函数可以简单的看作交集和并集，但是存在以下两个问题

 问题1：如图状态1，当两个框不相交的时候，IOU_loss不可导，无法优化黄色框

问题2：如图状态2和状态3，当IOU相同时，IOU_loss无法分辨出黄色框的相交情况。

3.2 GIou_loss 

GIOU_loss损失函数计算方法: 

为了解决上述的问题，2019提出GIOU_loss，增加了相交尺度的衡量方式。

但是这只是单纯的缓解，存在以下的问题，如下图所示，当预测框在真实框之内的时候，退化成IOU_loss

 3.3 DIou_loss 

公式如下：

C2是指的最小包围矩形框的对角线的平方，是指的是，预测框和真实框中心点的距离平方。

 DIOU考虑到了重叠面积，以及中心点距离，当目标框包裹预测框的时候，收敛更加块，因为直接度量2个框的距离，但是没有考虑到长宽比，

由于预测框和目标框的中心点相同，所以DIOU_loss又不起作用。

3.4CIOU_los 

公式如下：在DIOU_loss下+au，将预测框和目标框的长宽比都考虑了进去。

 

这样CIOU_loss，就将重叠面积，中心点距离，长宽比都考虑进去 

3.5总结

IOU_loss:考虑了重叠问题

GIOU_loss：在IOU基础上，解决了边界框不重合的问题

DIOU_loss:在IOU和GIOU基础上，解决了面积重叠问题

CIOU_loss:在DIOU基础上，解决了长宽比的问题 

引用

深入浅出Yolo系列之Yolov3&Yolov4&Yolov5&Yolox核心基础知识完整讲解 - 知乎

什么是FPN(Feature Pyramid Networks--特征金字塔)？ - 知乎

https://blog.csdn.net/avideointerfaces/article/details/103964660

yayalejianyue
关注
  • 2
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测算法常用Loss——DIoU GIoU CIoU
AI_eNyu的博客
05-07 2649
目标检测算法常用Loss 文章目录目标检测算法常用Loss1. 差值平方损失2. IoU Loss3. GIoU Loss4. DIoU Loss5. CIoU Loss6. 说明和补充6.1说明6.2 补充 1. 差值平方损失 在YOLOv3及YOLOv1,v2版本均采用的均值平方损失，也称为L2损失。L2损失在目标检测问题上不能很好的表现出ground truth 和预测框之间的位置，重合等关键信息。所以衍生出一系列关于IoU的损失。 2. IoU Loss 如下图三种不同的情况，明显第三个预测框与
IOU/ GIOU/ DIOU/ CIOU loss
～勿据散客～的博客
07-29 3097
转载自大白老师深入浅出Yolo系列之Yolov3&Yolov4&Yolov5核心基础知识完整讲解 由于文章过长，故特意截取，以便查阅： 目标检测任务的损失函数一般由Classificition Loss（分类损失函数）和Bounding Box Regeression Loss（回归损失函数）两部分构成。 Bounding Box Regeression的Loss近些年的发展过程是：Smooth L1 Loss-> IoU Loss（2016）-> GIoU Loss（2019）
【深度学习】锚框损失 IoU Loss、GIoU Loss、 DIoU Loss 、CIoU Loss、 CDIoU Loss、 F-EIoU Loss
q742971636的博客
03-26 5085
文章目录IoU Los （Intersection over Union）GIoU Loss（考虑重叠面积）Generalized Intersection over UnionDIoU Loss（考虑重叠面积，中心点距离）Distance IoUCIoU Loss（考虑重叠面积，中心点距离，宽高比）Complete IoU LossCDIoU Loss (Control Distance IoU Loss)F-EIoU Loss（Focal and Efficient IOU Loss）在模型上的效果评
CIOU LOSS
qq_43586192的博客
04-02 998
def Ciou(bboxes1, bboxes2): rows = bboxes1.shape[0] cols = bboxes2.shape[0] cious = torch.zeros((rows, cols)) if rows * cols == 0: return cious exchange = False if bboxes1.shape[0] > bboxes2.shape[0]: bboxes1, bbo
【笔记】CIOU公式
nyist_yangguang的博客
11-02 1029
eg1: c = torch.tensor([[1.0000, 2.0000], [0.0000, 0.0000], [0.0000, 0.0000]]) print(torch.sum(torch.pow((c), 2), axis=0)) tensor([1., 4.]) c = torch.tensor([[1.0000, 2.0000],
YOLO系列 ppt
11-16
详细介绍了YOLOv1 v2的内容
YOLO系列结构图-visio
03-08
1.YOLOV3 2.YOLOV4 3.YOLOV5
目标检测算法之Yolo系列
01-27
本文来自weixin，本文介绍了R-CNN 基本结构和原理，YOLO的基本原理，推理...在yolo系列出来之前，主流的做法是分段式的R-CNN系列，主要包括R-CNN、Fast R-CNN、FasterR-CNN、MaskR-CNN等。R-CNN的基本结构如下图所示：
yolo系列论文.zip
09-08
yolov1，yolov2（yolo9000），yolov3，yolov4
GIOU LOSS pytoch代码
怡宝2号
07-20 2996
具体请参考：generalized-iou/Detectron.pytorch 主要代码： x1, y1, x2, y2 = bbox_transform(output, transform_weights) x1g, y1g, x2g, y2g = bbox_transform(target, transform_weights) x2 = torch.max(x1, ...
【目标检测】YOLOV4详解
qq_38375203的博客
06-30 3908
前面讲完了V1、V2、V3，其中YOLOV4 和V3的网络区别就是多了CSP和PAN结构，以及一个SSP。贴一下网络结构图。 首先介绍一下网络结构中出现的各种组件。CBM：是由Conv+BN+Mish激活函数组成，和V3不同的是这里的激活函数由Leaky_relu换成了Mish。CBL：这个组件就是YOLOV3中的最小组件，但是在这里V4 将CBL放在了Neck模块里，并没有放在Backbone。Res unit：借鉴Resnet网络中的残差结构，让网络可以构建的更深。CSPX：借鉴CSPNet网络结构，由
AI大模型系列之八：YoloV3的整体框架介绍
Peter_Changyb的博客
05-13 1413
YOLOV到底做了什么？ YOLO核心思想 把目标检测转变成一个回归问题。将整个图像作为网络的输入，仅仅经过一个神经网络，得到边界框的位置及其所属的类别。
YOLOv3原理详解（绝对通俗易懂）2021-07-01
热门推荐
qq_43581224的博客
07-01 5万+
1、YOLO框架
YOLOv3庖丁解牛（一）：网络结构
weixin_42078618的博客
12-11 8585
经过大约一个月对YOLO3理论和源码的阅读，今天开始逐渐记录自己对这一大神作的理解。 本文在基于对CNN、keras、tensorflow有一定掌控力的基础上进行描述。 首先，贴出python版star最多的源码地址：https://github.com/qqwweee/keras-yolo3，各位看官可移步阅读。过一段时间我会把自己对每一步源码的注释都附上。 目前可进行工业部署的两大物体检...
YOLOv4训练过程显示loss，win10
sinat_41852207的博客
04-30 8892
参考：https://blog.csdn.net/dz4543/article/details/88075408，https://blog.csdn.net/qq_34806812/article/details/81459982 用darknet训练的时候会显示一个动态loss图，但这个图不适合作为论文中使用。 在win10中做loss图和iou图，yolov4和yolov3有区别，用别的博...
YOLOV4用到的一些tricks以及代码实现（2）——CIou_Loss
xiaoyang0307的博客
03-02 3916
本篇博客介绍用于计算损失函数的CIOU_LOSS算法 继上篇介绍yolov4——Mosaic data argumentaion后，接着介绍yolov4中用到的tricks。 CIOU_LOSS算法用于目标检测损失函数的计算。在详细介绍CIOU代码之前，有必要介绍一下CIOU的进化序列。 本节介绍交叉熵，Focal loss，L1/L2损失函数、IOU Loss、GIOU、DIOU的相关理论以及CIOU的理论与代码实线。 交叉熵： 作为图像分类问题最为常用的损失函数，通常接在softmax之后
【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 2124
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
YOLOv4损失函数全面解析
zandaoguang的博客
07-16 1万+
点击上方“视学算法”，选择“星标”公众号精选作品，第一时间送达来源｜周威@知乎，https://zhuanlan.zhihu.com/p/159209199本文已获作者授权，不得二次转载...
YOLOv3之Iou、Loss可视化等超详细
weixin_44407706的博客
04-04 5078
目录： 1、添加log路径 2、格式化log 3、绘制loss曲线 4、绘制iou曲线 （一）添加log路径 在darknet下新建visualization文件夹，用来存储各种可视化文件。 train训练命令（gpu版本）如下： ./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gpus 0 |...
YOLO系列目标检测
最新发布
05-26
YOLO系列目前已经发布了四个版本，分别是YOLOv1、YOLOv2、YOLOv3和YOLOv4。 YOLOv1是YOLO系列的第一个版本，它采用了单个卷积神经网络来实现目标检测，将输入图像分成SxS个网格，每个网格预测B个边界框以及每个边界...

“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