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
goomind4 小时前
YOLOv8实战木材缺陷识别
人工智能·yolo·目标检测·缺陷检测·pyqt5·木材缺陷识别
吾门5 小时前
YOLO入门教程(三)——训练自己YOLO11实例分割模型并预测【含教程源码+一键分类数据集 + 故障排查】
yolo·分类·数据挖掘
Suyuoa11 小时前
附录2-pytorch yolov5目标检测
python·深度学习·yolo
红色的山茶花1 天前
YOLOv8-ultralytics-8.2.103部分代码阅读笔记-block.py
笔记·深度学习·yolo
unix2linux1 天前
YOLO v5 Series - Image & Video Storage ( Openresty + Lua)
yolo·lua·openresty
菠菠萝宝2 天前
【YOLOv8】安卓端部署-1-项目介绍
android·java·c++·yolo·目标检测·目标跟踪·kotlin
ZZZZ_Y_2 天前
YOLOv5指定标签框背景颜色和标签字
yolo
红色的山茶花2 天前
YOLOv8-ultralytics-8.2.103部分代码阅读笔记-conv.py
笔记·yolo
Eric.Lee20212 天前
数据集-目标检测系列- 花卉 鸡蛋花 检测数据集 frangipani >> DataBall
人工智能·python·yolo·目标检测·计算机视觉·鸡蛋花检查
阿_旭2 天前
【模型级联】YOLO-World与SAM2通过文本实现指定目标的零样本分割
yolo·yolo-world·sam2