YOLO系列算法解析

一、深度学习算法概述

1、不同阶段算法优缺点分析

One-stage:

优点:速度非常快,适合做实时监测任务

缺点:效果通常不好

2、yolo评价指标

yolo评价指标:map和fps
Map指标 :综合衡量检测效果

精度:识别准确率

召回率(recall):识别是否完全,有没有没有检测到的

TP:正确被检测到的

FP:错误被检测到的

FN:遗漏的
IOU:真实值与预测值的交集/真实值与预测值的并集

二、YOLOv1

1、特点

经典one-stage方法

把检测问题转换为回归问题,一个CNN就行

对视频进行实时检测

2、核心思想

输入S*S的格子,每个点产生两种候选框,切实有物体的点产生的候选框进行微调(置信度判断是否有物体),筛选出IOU大的

3、网络架构

7×7表示格子大小,30的含义:前5个是B1(x1,y1,w1,h1,c1),在5个表示B2,剩下20表示当前数据集有20个分类类别

三、YOLOv2

1、与V1的区别

V2版本舍弃了全连接层,不再使用DropOut,卷积之后全部加入Batch Normalization(网络每一层的输入都做了归一化,网络收敛更容易 Conv-BN),经过BN处理后网络提升2%的map

V2更大的分辨率:V1训练时用的是224×224的输入大小,测试用448×448,这样可能导致模型效率降低,V2训练时额外进行10次448×448的微调,使用高分辨率的的分类器后,map提升约4%

使用k-means聚类来提取先验框,这样对候选框大小不敏感,更适用于真实的数据集

通过引入Anchor boxes,使得预测的box数量更多,在基本不影响mAP的情况下,提高了大约7%的召回率

2、 网络结构



越大的感受野,越能感受大的物体。最后一层感受野太大,小目标可能就丢失了,需要融合之前的特征


四、YOLOv3

相较于之前的版本,最大的改进就是网络结构,使其更适合小目标检测

Darknet-53 没有池化,下采样通过stride为2来实现和全连接层

使用了resnet的思想,至少不比原来差

特征做的更细致,融合多持续特征图来预测不同规格物体

先验框更丰富,3种scale,每种3个规格,一共9种

softmax改进,预测多标签任务

相关推荐
jay神6 小时前
基于 YOLOv8 的传送带异物检测系统(Web 版)
前端·人工智能·深度学习·yolo·计算机视觉·计算机毕业设计
jay神3 天前
基于 YOLOv8 的手势识别系统(Web 版)
前端·人工智能·python·深度学习·yolo·计算机视觉·计算机毕业设计
鱼听禅3 天前
Ubuntu安装YOLOv8进行菌落识别训练
linux·python·yolo·ubuntu
jay神5 天前
基于深度学习的交通流量预测系统(Web 版)
前端·人工智能·深度学习·yolo·计算机毕业设计
带电的小王6 天前
YOLO27:官方预览页放出全部规格,60.5 mAP 破 YOLO 纪录,但权重还没发布
yolo
jay神6 天前
基于 YOLOv8 的轴承缺陷检测(Web 版)
前端·人工智能·yolo
jay神6 天前
基于 YOLOv8 的森林火灾检测系统(Web 版)
前端·yolo
微尘hjx6 天前
【Deep-OC-SORT 06】多轨迹算法Deep-OC-SORT-CMC相机运动补偿
yolo·目标检测·目标跟踪·ultralytics·轨迹算法·deep-oc-sort·车流统计
LongRunning7 天前
【Linux】RK3568-OpenCV+YOLO(八)
linux·opencv·yolo
微尘hjx11 天前
【Deep-OC-SORT 01】多轨迹算法Deep-OC-SORT源码分析
深度学习·yolo·目标跟踪·ultralytics·轨迹算法·deep-oc-sort·车流统计