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
王哈哈^_^4 小时前
【数据集】【YOLO】【VOC】目标检测数据集,查找数据集,yolo目标检测算法详细实战训练步骤!
人工智能·深度学习·算法·yolo·目标检测·计算机视觉·pyqt
深度学习lover10 小时前
<项目代码>YOLOv8 苹果腐烂识别<目标检测>
人工智能·python·yolo·目标检测·计算机视觉·苹果腐烂识别
Eric.Lee202115 小时前
yolo v5 开源项目
人工智能·yolo·目标检测·计算机视觉
极智视界19 小时前
无人机场景数据集大全「包含数据标注+划分脚本+训练脚本」 (持续原地更新)
算法·yolo·目标检测·数据集标注·分割算法·算法训练·无人机场景数据集
深度学习lover1 天前
<项目代码>YOLOv8 夜间车辆识别<目标检测>
人工智能·yolo·目标检测·计算机视觉·表情识别·夜间车辆识别
小哥谈1 天前
源码解析篇 | YOLO11:计算机视觉领域的新突破 !对比YOLOv8如何 ?
人工智能·深度学习·神经网络·yolo·目标检测·机器学习·计算机视觉
挂科边缘2 天前
基于YOLOv8 Web的安全帽佩戴识别检测系统的研究和设计,数据集+训练结果+Web源码
前端·人工智能·python·yolo·目标检测·计算机视觉
小张贼嚣张2 天前
yolov8涨点系列之HiLo注意力机制引入
深度学习·yolo·机器学习
CV-King2 天前
yolov11-cpp-opencv-dnn推理onnx模型
人工智能·opencv·yolo·计算机视觉·dnn
辛勤的程序猿2 天前
YOLO即插即用---PConv
深度学习·yolo·计算机视觉