二十分钟入门YOLO算法

原创 已于 2023-12-25 10:31:28 修改 · 6.3k 阅读 · 82 ·
本内容遵循CC 4.0 BY-SA版权协议
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。
GEO检测
标签
#YOLO #深度学习 #人工智能
于 2023-12-11 11:45:00 首次发布
CLIP-GmP-ViT-L-14编码模型

CLIP-GmP-ViT-L-14编码模型` 是一个图文双塔编码模型，适合做图文匹配、零样本分类和跨模态检索演示。本镜像已经完成 Web 部署，打开页面即可上传图片并测试图文表征能力

目录

一、模型的用途和效果

什么是YOLO算法？

YOLO算法有什么用？

YOLO算法的输出效果具体长什么样？

二、模型的原理

一句话总结目标检测系列算法

传统目标检测算法

二阶段检测算法

YOLO系列算法

YOLOv1                

YOLOv2

YOLOv3

YOLOv4

三、模型的用法介绍

只想简单的试试效果，不想配环境，我应该怎么做？

想尝试自己运行，但不是想配置环境，我应该怎么做？

想简单的配置环境，不需要部署，我该怎么做？

训练精确度、准确度说明

训练踩坑 - 部分注意事项   

一些魔改方向

一、模型的用途和效果

什么是YOLO算法？

学术一点来说，YOLO是一种用于目标检测的深度学习算法（对目标检测算法的解释指路第二部分）。

当然也可以简单粗暴地解释，YOLO算法要完成的工作，就是当你输入一张（当然很多张也可以）图片时，它需要告诉你图片里有什么，那些物体在哪个位置，它有多大概率确定自己是正确的；在更广义的领域里，它还可以处理视频、实时摄像取景框，毕竟如果按其中的每一帧来看，就是一次性处理很多张图片嘛。

YOLO算法有什么用？

它的使用场合其实很广泛，说不定你每天都在使用但没发现，看看ChatGPT怎么说：

  1. 警情交通：由于其高速实时性，YOLO经常用于视频分析，包括监控系统、交通监测和行为分析等领域。它可以在视频流中快速识别并跟踪多个对象。
  2. 自动驾驶：同样，yolo可以用于实时检测道路上的车辆、行人、交通标志等物体，为车辆的决策和导航提供重要信息。
  3. 工业检测：检测和识别生产线上的缺陷、危险物体或异常行为。
  4. 医学图像分析：分析医学图像，如X射线、CT扫描和核磁共振图像，以便快速定位和识别病灶。
  5. 无人机和航拍：识别地面上的对象，包括建筑物、车辆和人群等。
  6. 体育赛事分析：协助教练和运动员在比赛中快速准确地识别对手的优势和劣势

YOLO算法的输出效果具体长什么样？

首先看看最基础的图片处理 - 使用YOLOv8 / ultralytics 自带的初始模型得到的结果：

​

​

​

​

     看得出来，这个初始的模型能识别的物体并不多，而且甚至会“指鱼为鸟”，所以如果需要更适配自己需求的、精度更高的模型，还是需要自己找训练集、测试集，自己标注，最后训练得到完美对象（指路第三部分）。

        笔者检测一张图片平均跑下来需要30-40毫秒，不知道大家的电脑跑起来是更快还算更慢呢？

再看看视频：        

ultralytics自带模型-检测视频示例

        检测效果好像有点糟糕，还挺搞笑的……

        后来查看了一下ultralytics自带模型能检测的物体，发现它好像用的是COCO（Common Objects in Context）数据集进行的训练，好像确实没有水豚……

二、模型的原理

硬干货的历史知识来了——

一句话总结目标检测系列算法

目标检测的发展脉络可以划分为两个周期：传统目标检测算法时期(1998 - 2014)和基于深度学习的目标检测算法时期(2014 - 至今)；而基于深度学习的目标检测算法又有两条技术路线：二阶段检测算法和一阶段检测算法。

目标检测代表算法

传统目标检测算法
  • 特点：
  1. 传统目标检测算法主要基于手工提取特征，包括边缘、纹理、颜色等图像属性。
  2. 传统目标检测算法通过滑动窗口来寻找目标对象，具体说就是在图像上滑动不同大小和比例的窗口来寻找对象，这会导致计算量很大。
滑动窗口形象化展示

注：相比之下，卷积神经网络（CNN）能够通过训练自动学习图像中的特征，无需手动设计

  • 缺点：
  1. 识别效果不够好，准确率不高
  2. 计算量较大，运算速度慢
  3. 可能产生多个正确识别的结果

二阶段检测算法
  • 算法流程 - 以R-CNN为例：
  1. 对输入图片提取候选区（region proposal），每张大约2k~3k个这种与类别无关的框。所谓的候选区就是通过selective search算法获得可能存在对象的区域，例如下左图
  2. 把每个候选区放入CNN网络来提取特征
  3. 把从每个候选区提取的特征送入每一类的二分类器中进行类别判断，如下右图，其中左边的每一行是从一个候选框中提取的特征，右边每一列是一个分类器
  4. 位置精修，采用回归器精细修正候选框位置
         ​  
  • 二阶段检测算法的问题与改进过程
    • R-CNN的性能瓶颈：
      ​

      1. 针对第一个问题，后面的Fast-R-CNN和Faster-R-CNN都解决了，它们把提取特征之后的分类步骤和精修候选框的步骤都添加到了深度网络中进行同步训练。

      2. Fast-R-CNN解决了第三个问题。它不再对每个候选区独立提取特征，具体来说就是，神经网络的输入不再是每个候选区，而是整张图像，因此只用做一次向前计算。至于每个候选区的特征就直接在最后得到的整张图像的特征图上进行映射就好了。

      3. Faster-R-CNN在Fast-R-CNN的基础上，把第二个问题解决了，因为原先的提取候选区的方法性能太低，所以Faster-R-CNN提出了RPN网络来提取候选区。首先是预先定义好一组框模板（anchor box，如下图，在每个网格上都预定义模板框），然后滑动窗口，在每一个划分的网格上都使用这一组框模板，覆盖整张图像。最后通过RPN网络，在这些框里选出可能含有对象的框，并且对这些框的位置和大小进行微调，最后把微调后的这些框作为候选区

      ​ ​

YOLO系列算法

为了更好介绍YOLO，可以先了解一下它的基本框架，其实也是目标检测网络的常见结构。

  • 目标检测基本框架 

        一个常见的目标检测网络，其本身往往可以分为以下三大块：

        ​

  1. 主干网络（Backbone network）：目标检测网络最为核心的部分，用来从图像中提取出些必要的特征信息（特征提取不好的话会影响后面的目标检测）。因为早在目标检测任务之前，深度学习技术就已经在图像分类领域中发挥了重大的作用，而且深度学习技术能够出色地完成图像分类任务，这就表明深度学习技术在图像特征提取这一块有着十分出色表现和巨大的潜力。因此，Backbone这一部分通常就是将诸如VGG、ResNet等模型搬过来（去掉最后的global avgpooling和softmax层），这一部分的参数初始化就直接使用在ImageNet上训练好的参数。
  2. 颈部网络（Neck network）：Neck部分的主要作用就是将由backbone输出的特征进行整合。
  3.  检测头（Detection head)：就是若干卷积层进行预测。head部分就是在由前面网络输出的特征上去进行预测，约等于是从这些信息里解耦出来图像中物体的类别和位置信息。

         

YOLOv1                
  • YOLOv1最大的特点就在于，能仅使用一个卷积神经网络端到端地实现检测物体的目的
  1. YOLOv1的输入是一张448*448的图片，它不用提取候选区，相比之下，它直接对图片进行7*7的等分，如下图所示
  2. 怎么判断对象属于哪个网格呢？这里采取的做法是，对象的中心属于哪个网格，那这整个对象就属于哪个网格，那这个网格就负责这个对象的预测
  3. 在最后的预测结果中，每个网格会有预测的分类信息和B个边界框的置信度与位置信息，最后只会选择得分最高的边界

        ​

  • 缺点：
    • 一个网格只能预测一个对象。如果一个网格包含多个对象，模型可能无法准确捕捉所有对象的信息。这点从它每个网格只预测一个分类信息可以看出
    • 因为是第一个版本，所以YOLOv1实际上有很多需要改进的地方，比如因为YOLOv1最后使用了全连接层，所以会有参数过多的问题等，感兴趣的读者可以自己查阅资料

YOLOv2
  • 特点：
  1. YOLOv2的输入图像大小是416*416，最后得到的特征图是13*13，经过了32倍的下采样，如下图所示
  2. YOLOv2添加了Faster R-CNN工作所提出的 anchor box 机制。每个网格处都预设了k个的anchor box。网络只需要学习将锚框映射到真实框的尺寸的偏移量即可，无需再学习整个真实框的尺寸信息，这使得训练变得更加容易。对于这个预先设置的anchor box的大小，YOLOv2是采用在数据集上进行kmeans聚类来决定的
  3. 在yolov1中，虽然每个网格会有多个边界框，但只会给出一个分类信息，即这个分类信息是每个边界框共享的。在yolov2中， 每个边界框都会预测一个分类信息 ，这样的话，每个网格可以预测多个对象了。
  4. 除此之外，yolov2还有如下改进，比如添加Batch Normalization层、将网络设计为全卷积结构、使用更高分辨率的特征以及进行多尺度训练等。其中使用更高分辨率的特征是为了更好地捕捉目标的细节信息，多尺度训练是为了提升YOLO对物体的尺寸变化的适应能力。其他的内容和细节感兴趣的读者可以自己下去了解以下。
    ​
    ​
    anchor box机制示例图
YOLOv3
  • 特点：

  1. 因为网络越深，就越会损失图片细节上的信息，就越不利于小目标对象的检测。因此，yolov3为了兼顾小目标和大目标对象的检测，就把浅层网络的特征图也提取出来，把它跟深层的特征图进行拼接后，也单独进行一次预测，最后跟深层特征图的预测结果一起进行汇总

    网络越深，得到的特征图越模糊



    从下图可以看到，13*13的特征图对应在原图的感受野比较大，右边52*52的特征图对应在原图的感受野比较小，其中蓝色的框是预先设定好的锚框。所以浅层网络能捕捉到原图像的细节信息

    2、将yolov2的单标签分类改进为yolov3的多标签分类：简单说就是原来yolov2中，不是只给一个对象贴一个标签吗，在yolov3中对一个对象可能会贴多个标签。

 

 YOLOv4
  • 特点：
  1. 从yolov3到yolov4，作者主要是增加了很多实用的技巧来提升检测的精度。下面主要介绍一下用来做数据增强的技巧。数据增强的目的是增加训练样本的多样性
  2. 马赛克数据增强（Mosaic Augmentation），步骤如下：每次读取四张图片，分别对四张图片进行翻转、缩放、色域变化等，并且按照四个方向位置摆好。进行图片的组合和框的组合，如下图所示
        

后面的yolov5~yolov8都是为了提高精度或者速度，而使用了当前一些tricks的集合，相当于是在不断优化检测过程的每一步，没有很大的创新，因此这里也不赘述了

三、模型的用法介绍

只想简单的试试效果，不想配环境，我应该怎么做？

YOLO官方推出了一款app：iDetection，可以对摄像头所及的视野进行目标检测。

（它的识别效果比某些指鹿为马的识图软件/相机功能要好很多）

iDetection下载即用，如果你想不碰代码不看文章or视频，快速了解yolo的效果，它是一个好的选择：

想尝试自己运行，但不是想配置环境，我应该怎么做？

以YOLOv5为例，可以在docker中快速运行YOLO：

  1. 拉取Yolov5最新镜像： 
    docker pull ultralytics/yolov5:latest
  2. 启动YOLOv5容器： 
    docker run -v  yourHostPath --name dockeryolov5 --ipc=host -it ultralytics/yolov5:latest
  3. 检测图片： 
    python detect.py --weights weight/yolov5m.pt --source uniform/data/images
  4. 保存检测结果： 
    docker cp dockeryolov5:/usr/src/app/runs/detect/exp yourHostPath
  5. 训练数据集： 
    python train.py --batch-size 2 --epochs 200 --data data/data.yaml --weights weight/yolov5m.pt
  6. 保存训练结果： 
    docker cp dockeryolov5:/usr/src/app/runs/train/exp yourHostPath
想简单的配置环境，不需要部署，我该怎么做？

以YOLOv8为例：

  1. 前置环境安装：miniconda
  2. Conda环境创建：conda create -n yolov8 python=3.8
  3. pypi配置国内源：pypi | 镜像站使用帮助 | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror
  4. 安装pytorch：PyTorch
  5. Ultralytics / YOLOv8安装：
    1. 直接使用源码（无法使用命令行工具）：GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite
    2. pip直接安装：pip install ultralytics
    3. pip源码安装：下载源码后解压、进入对应目录，通过pip install -e安装；-e参数必须要有，否则后续修改代码无效
  6. 通过命令行cmd激活conda环境（powershell无法激活环境）：conda init cmd.exe
  7. 激活yolov8运行环境：conda activate yolov8
  8. 模型预测基本使用
    1. .py文件： 
      from ultralytics import YOLO

yolo = YOLO("./yolov8n.pt",task="predict") #指明预测所用的权重文件
result = yolo(source="ultralytics/assets/bus.jpg",save=True) #图片与视频
# result = yolo(source=0,save=True) #摄像头 
# result = yolo(source="screen") #电脑桌面
    2. 命令行： 
      yolo predict model=yolov8n.pt source=ultralytics/assets/bus.jpg
  9. 自行标注数据集：
    1. 本地：
      1. 配置labelimg环境：pip install labelimg（设置YOLO format / autosave
      2. 启动：labelimg
    2. 在线：
      1. make sence数据集标注

  10. 划分训练集与测试集，将数据集放至根目录下的datasets文件内

  11. 训练数据集：

    yolo task=detect mode=train model=./yolov8n.pt data="data.yaml” workers=1 epochs=50 batch=16
  12. 检测训练效果： 
    yolo detect=runs\detect\train2\weights\best.pt source=ultralytics\assets\fish.jpg

注：本部分的配置流程总结自 【【手把手带你实战YOLOv8-入门篇】YOLOv8 环境安装】

训练效果（精确度、准确度）说明

经过漫长的等待（batch-size 2 epochs 200训练3000张图刚好够八小时黄金睡眠），如何获取自己训练效果的数据呢？

以yolov5为例，打开运行完train命令后result save to runs/train/expi的路径，我们可以看到输出了非常多的文件：

让我们来分析一下：

  1. 数据集统计
    1. 在开始训练前，对于输入的数据集，yolo会统计各类别出现的图片数量和所有标注的位置，并算出各位置参数的相关性。labels.jpg和labels_correlogram.jpg可视化了我们的数据集，方便对数据集形成初步的认识。
    labels_correlogram.jpg
    labels.jpg
  2.  识别效果示例
    1. 在结束训练后，无需自己detect，yolo会给出部分数据集上的检测结果示例：
      val_batch_labels.jpg与val_batch_pred.jpg
      train_batch.jpg
  3. 识别精度
    1. 训练时我们最关心的就是识别精度了，yolo给出包含误判率和漏判率的混淆矩阵，以及F1、Precision和Recall得分在各个置信度上的变化曲线（与坐标轴围成的面积越大越好）。
    confusion_matrix.png
    R_curve.png
    F1_curve.png
    P_curve.png
    PR_curve.png
  4. 训练过程
    1. 如果想查看更加细致的识别精度，或者想查看过程中识别精度的变化，result.csv记录了每次训练的损失函数值（一般先快速下降后下降减缓）等数据，results.png描述了各个数据随训练轮次的变化。
      result.jpg
      results.csv
训练踩坑 - 部分注意事项   
  • 配置YOLOv8环境时可能遇到的报错：
  1. 运行 conda activate yolov8 时报错如下：
    1. conda-script.py: error: argument COMMAND: invalid choice: 'activate' (choose from 'clean', 'compare', 'config', 'create', 'info', 'init', 'install', 'list', 'notices', 'package', 'remove', 'uninstall', 'rename', 'run', 'search', 'update', 'upgrade', 'build', 'convert', 'debug', 'develop', 'doctor', 'index', 'inspect', 'metapackage', 'render', 'skeleton', 'content-trust', 'pack', 'repo', 'server', 'env', 'verify', 'token')
    2. 解决措施：试着使用conda update conda 对conda进行更新；或者直接activate yolov8
  2. 在Visual Studio Code运行.py 文件时报错：
    1. 解决措施：解释器选择错误，应该勾选yolov8对应的选择器

  3. 使用labelimg时闪退：

    1. 解决措施：为labelImg单独建一个conda环境，保持该环境激活，打开labelImg；或者试着对canvs.py 与 lambelImg.py 文件作出修改：Unable to draw annotations on Windows · Issue #811 · HumanSignal/labelImg · GitHub

  • 以使用yolov5训练识别app截图中的弹窗为例，说明训练数据时要注意的部分事项：    

  1. 样本比例

     1. 建议训练集和验证集的比例为7:3，其中各自的正负样本比例为1:1。

    对于负样本，若一个符合要求的类型都没有，需要生成空的标签文件。

  2. 图片中有与待训练物体相似的其他物体
    1. app截图中ui元素外观与弹窗相似的很多，如drawer、menu等ui元素。此时可以尝试通过图片预处理增大弹窗与这些ui元素的区别，如背景明暗度、颜色边缘变化等等  
  3.   待训练物体内部颜色、形状不相似
    1. app弹窗包括系统弹窗、功能弹窗和广告弹窗等类别。对于广告弹窗，它们颜色鲜艳、形状不一，往往出现在屏幕的正中央，面积较大；对于系统弹窗，它们基本只有蓝白黑三色，方方正正，面积较小；功能弹窗则介于两者之间，位置出现可上可下
    2. 如果将三者统一标注为pop_ups类型，则漏判和误判会集中在数据集中数量较少的功能弹窗和系统弹窗部分，且难以通过增大数据集来减少。此时可以分别标注为pop_ups_ad、pop_ups_func、pop_ups_sys类型。
  4. 标注数据时标准不一致
    1. 由于自己训练数据集时，有时找不到已有标注好的数据集，而所需数据量较大，（淘宝上代标注费用很高）往往需要几个小伙伴合作标注，在标注之前，不妨花一点小小的时间，建立起一个统一的标注标准。标注标准的不同有时能明显反应在错判和漏判上。
  5. 对训练结果的预期管理
    1. 由于对大部分使用者而言，这个train命令等同一个黑盒，因此训练结果也可能是令人意外或“反常规”的，如：
      1. 增大数据集图片数量后效果变差
      2. 查找并删除脏数据后效果变差
      3. 添加预处理后效果变差

                此时无需太过意外正好可以检查一下潜在效果变差的原因，记录并进行后续调整。

一些魔改方向

以yolov5为例：

  1. 检测方式改进
    1. 由文件夹→动态添加单张图片：
      1. 未修改前，检测时需要预先将图片放到文件夹内， 一个文件夹内的图片统一预测。因此每预测一个文件夹， 需要重新加载一次模型， 耗时长（加载模型耗时几s，而检测单张图片只要几十ms）； 由此可以修改detect.py源码，将模型预先加载好， 不关闭模型， 减少检测耗时。
  2. 作为工具包合进别的项目里

    1. 得到pt权重文件后，（有了pt就可以为所欲为）实际上可以仅抽取detect.py等几个检测时才需用到的文件，选择其他需要目标检测的项目， 合入YOLO 代码。

    2. 打开detect.py，可以看到yolo的detect命令有很多参数：

      里面较为常用的是--save-txt --save-conf，它会将对应图片的识别结果（类型，中心x，中心y，width，height，conf）保存在单独的同名txt中：        

      python .\detect.py --source .\data_detect\images_proccessed --weights .\runs\train\exp21\weights\best.pt --save-txt --s
ave-conf

      拿到这个txt，就能方便地进行后续的分析啦。

您可能感兴趣的与本文相关的镜像

CLIP-GmP-ViT-L-14编码模型

CLIP-GmP-ViT-L-14编码模型

图像识别
CLIP

CLIP-GmP-ViT-L-14编码模型` 是一个图文双塔编码模型，适合做图文匹配、零样本分类和跨模态检索演示。本镜像已经完成 Web 部署，打开页面即可上传图片并测试图文表征能力

YOLO系列算法
最白の白菜的博客
03-03 3万+
目录YOLO系列算法yolo算法Yolo算法思想Yolo的网络结构网络输入网络输出7X7网格30维向量Yolo模型的训练训练样本的构建损失函数模型训练模型预测yolo总结yoloV2预测更准确（better）batch normalization使用高分辨率图像微调分类模型采用Anchor Boxes聚类提取anchor尺度边框位置的预测细粒度特征融合多尺度训练速度更快（Faster）识别对象更多yoloV3算法简介多尺度检测网络模型结构先验框logistic回归yoloV3模型的输入与输出yoloV4总结
YOLO算法
小森的博客
03-01 1万+
YOLO，全称为You Only Look Once: Unified, Real-Time Object Detection，是一种实时目标检测算法。目标检测是计算机视觉领域的一个重要任务，它不仅需要识别图像中的物体类别，还需要确定它们的位置。与分类任务只关注对象是什么不同，目标检测需要同时处理离散的类别数据和连续的位置数据。YOLO算法基于深度学习的回归方法，它将目标检测问题转化为一个回归问题，使用单个卷积神经网络（CNN）直接从输入图像预测边界框（bounding box）和类别概率。
YOLO简介
qq_74437448的博客
04-22 788
YOLO（You Only Look Once）是深度学习领域最经典、应用最广的实时目标检测算法，凭借极致的速度优势，成为自动驾驶、安防监控、工业检测等实时场景的首选方案。本文将从 YOLO 核心原理、目标检测算法分类、核心评估指标（IoU、精确率、召回率、mAP）完整拆解，帮你从零吃透 YOLO 全套基础知识。YOLO（You Only Look Once）是由 Joseph Redmon 等人于2016 年提出的基于深度学习的端到端目标检测算法。它颠覆了传统检测算法的思路，
【深入浅出 YOLO 系列·第四篇·收官】YOLOv8 到 YOLO26：端到端检测、NMS-Free 革命与 YOLO 的最终形态（含十年演进全景图）
最新发布
小李同学_LSH的博客
05-19 495
本文系统梳理了YOLO系列从2023年YOLOv8到2025年YOLO26的技术演进历程。重点分析了YOLO如何通过C2f模块、PGI信息瓶颈解决方案、NMS-Free端到端检测等关键技术突破，最终实现从"能检测"到"检测准"再到"检测快"的完整进化路径。文章详细解读了YOLOv8的Anchor-Free架构、YOLOv9的PGI+GELAN方案、YOLOv10的NMS-Free实现，以及YOLO26最终采用的ProgLoss等创新技术，并提供了Y
YOLO详解
UnknownPlayer的博客
06-04 9696
本文参考知乎 https://zhuanlan.zhihu.com/p/25236464 1. YOLO的创新点 YOLO将物体检测作为回归问题求解。基于一个单独的end-to-end网络，完成从原始图像的输入到物体位置和类别的输出。 从网络设计上，YOLO与two steps的目标检测方法如RCNN、Fast RCNN和Faster RCNN的区别如下： YOLO训练和检测均是在一个单独网...
YOLO系列算法全家桶——YOLOv1-YOLOv9详细介绍 ！！
不要给自己设限，尝试更多可能（思所向 皆可往）
04-05 7万+
本文详细介绍了从YOLOv1-YOLOv9的网络结构，以及各个版本之间的迭代。YOLOv1-YOLOv8之间的对比ModelAnchorInputBackboneNeckYOLOv1锚框（训练是224*224，测试是448*448；GoogLeNet；Dropout防止过拟合；最后一层使用线性激活函数，其余层都使用ReLU激活函数无；一个网格只预测了2个框，并且都属于同一类；全连接层直接预测bbox的坐标值；YOLOv2锚框（通过k-means选择先验框。
从零开始掌握YOLO——实时目标检测的技术详解
iShare_Carlos的博客
08-15 5万+
在当今的计算机视觉领域，目标检测技术扮演着至关重要的角色，随着深度学习技术的迅速发展，目标检测在安防监控、自动驾驶、医疗影像等多个领域得到了广泛应用。传统的目标检测方法通常需要复杂的手工特征设计和分类器训练，不仅效率较低，还存在难以推广的瓶颈。近年来，基于卷积神经网络（CNN）的目标检测方法，尤其是YOLO（You Only Look Once），彻底改变了这一现状。
YOLO目标检测算法
周先森爱吃素的博客
03-30 8861
本文主要介绍YOLO目标检测算法，包括YOLOv1、YOLOv2和YOLOv3。
YOLO算法详解
qq_45875106的博客
02-22 3万+
YOLO算法详解前言YOLOv1YOLOv2YOLOv3 前言 YOLO官网：https://github.com/pjreddie/darknet YOLO及You Only Look Once，是一种目标检测算法，目标检测任务的目标是找到图像中的所有感兴趣区域，并确定这些区域的位置和类别概率。目标检测领域的深度学习方法主要分为两大类（如图1）：两阶段式（Two-stage）目标检测算法和单阶段式（One-stage）目标检测算法。两阶段式是先由算法生成一系列候选边界框作为样本，然后再通过卷积神经网络分类
YOLO v3算法笔记
热门推荐
AI之路
05-05 8万+
论文：YOLOv3: An Incremental Improvement 论文地址：https://pjreddie.com/media/files/papers/YOLOv3.pdf YOLO系列的目标检测算法真的非常赞！这篇博客就来介绍YOLO v3算法的内容，因为涉及到v1和v2的一些思想，所以可以先熟悉下：YOLO v1算法详解，YOLO v2算法详解。 YOLO算法的基本思想是：...
yolo算法
weixin_46556352的博客
04-18 1万+
yolo算法
YOLO算法的发展历程
blzhizhuang的博客
09-05 2万+
一 目标检测问题 目标检测问题是模式识别问题的一种，它主要解决从图像中获取需要的物体类型以及位置的问题，输入一幅图像或者一帧视频，要输出图像中要求物体的类别和位置，其中的位置通常用一个框标记出来。在研究目标检测问题时，通常只考虑感兴趣的物体，比如人脸检测检测人脸，交通检测检测车辆等，而例如建筑物，天空之类的则不在考虑范围之列。 二 设计思想 目标检测有两种实现，一种是one-stage,另一种是two-stage，它们的区别如名称所体现的，two-stage有一个region proposal过程，可
yolo的算法原理及区别
aaas_ongshu的博客
09-08 1720
YOLO（You Only Look Once）是一种实时目标检测算法，其核心思想是将目标检测视为一个回归问题，通过单次前向传播直接从输入图像预测边界框和类别概率。这种方法高效且速度快，适用于实时应用。以下是YOLO的基本原理：图像网格划分： 输入图像被划分为一个$S \times S$的网格。每个网格单元负责检测中心落在该单元内的对象。例如，常见设置中$S = 7$或$S = 13$。边界框预测： 每个网格单元预测$B$个边界框（bounding boxes）。每个边界框包含以下信息：类别概率预测：
目标检测算法——YOLO与SSD解析
tigerlib的博客
09-30 1万+
文章目录1 YOLO(you only look once)算法1.1 YOLO整体结构1.2 网格(grid)——`7*7*30`1.2.1 单元格(grid cell)1.2.2 网格输出筛选1.3 非最大抑制(NMS)1.4 YOLO训练1.5 与Faster R-CNN比较2 SSD(Single Shot MultiBox Detector)算法2.1 SSD简介2.2 SSD结构2.3...
YOLO算法的基本介绍
m0_65065095的博客
05-09 4371
YOLO（You Only Look Once）是一种基于深度学习的实时目标检测算法，其核心思想是将目标检测任务转化为单次全局推理问题，直接在图像上预测物体的边界框和类别。与传统的两阶段检测方法（如Faster R-CNN）相比，YOLO以更快的速度和较高的精度成为工业界和学术界的热门选择。YOLO目标检测算法，由Joseph Redmon等人于2016年提出。它是将目标检测问题转化为一个回归问题，通过一个神经网络直接预测目标的类别和位置。
YOLO——算法学习
清园暖歌的博客
06-20 535
选择 Faster-rcnn之类还是 YOLO 都是根据任务需求来定的YOLO一般速度快，一个cnn的回归下来就完事，M-rcnn 一般只有5fps，达不到实时的要求YOLO也可以自己构建网络，网络越复杂，速度越慢；而网络越简单，速度越快衡量算法的指标：fps、 mAPmAP指标：综合衡量检测效果精度：检测到的东西和实际的框吻不吻合召回率（recall）：有没有一些要检测到的框没检测到而精度和recall在很多问题上都是矛盾的，一个高了，另一个就低了，所以要用mAP值IOU。
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