位置: IT常识 - 正文

【目标检测】YOLOV1详解(目标检测yolov5)

编辑:rootadmin
【目标检测】YOLOV1详解 前言

推荐整理分享【目标检测】YOLOV1详解(目标检测yolov5),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:目标检测算法yolo,目标检测算法yolo,目标检测tricks,目标检测 yolov3,目标检测怎么入门,目标检测yolov5,目标检测yolo,目标检测 yolov3,内容如对您有帮助,希望把文章链接给更多的朋友!

最近在公司实习,看到其实很多落地的模型都是基于yolo来改进的。在闲暇之余又重新温故了一下yolo系列,并想着将它们进行一个总结。今天就从V1下手,接下来的几个系列也会分别进行详解。

相比起Faster R-CNN的两阶段算法,2015年诞生的YOLOv1创造性地使用端到端(end to end)结构完成了物体检测任务。直接预测物体的类别和位置,没有RPN网络,也没有Anchor的预选框,因此速度很快。 YOLOv1是YOLO系列的基准,虽然后面在工程上面大家都是直接使用YOLOV5的开源代码,但是还得需要直到这些原理,而不是像黑盒一样进行调用。后续的YOLOv3、YOLOv5都是在原来的基础上做的改进,因此完全掌握和理解YOLOv1是学好YOLO系列的关键。

1、实现方式

YOLOV1的思想就是将图像分成S*S的小网格,如果物体的中心点落在了某一个网格内,那么就由这个网格来进行预测这个物体。

 每一个网格预测B个bounding boxes,以及这些bounding boxes的得分:confidence score。confidence score反映了模型对于网格中预测是否含有物体,以及是这个物体的可能性是多少。confidence定义为:

 在这里需要区分开confidence score和confidence。上面公式的定义就是如果网格中不含有物体,则置信度为0,否则就是predicted box与ground truth之间的IOU。每一个bounding box由5个预测值组成:x,y,w,h,confidence。坐标(x,y)代表了bounding box的中心与grid cell边界的相对值。width,height则是相对于整幅图像的预测值(边框的宽和高),confidence就是预测框和真实框的IOU。每一个网格还要预测C个conditional class probability(条件类别概率):Pr(Class|Object),即在一个网格包含Object的前提下,它属于某个类的概率,只为每个网格预测一组(C个)类概率,而不考虑框B的数量,也就是说一个网格只能预测一个物体这也是YOLOV1的缺点之一。如果一个物体的中心点落在了某个网格内,具体是该网格的两个bounding box与真实物体框进行匹配,IoU更大的bounding box负责回归该真实物体。

【目标检测】YOLOV1详解(目标检测yolov5)

 对于PASCAL VOC数据集,图像输入为448×448,取S=7(即在经过神经网络之后的最终输出特征图大小为7*7),B=2(即每个grid cell中有两个bounding box负责预测落在这个gird cell中的物体),C=20(即一共有20个类别)。则输入图片经过网络的最终输出为一个7×7x30的tensor,如下图所示。且一张图片最多可以检测出49个对象,一共生成7×7×2=98个bounding box。

 以上是训练的时候需要的实现方式,在进行测试的时候,就涉及到了confidence score这个概念,具体来说在测试阶段,每个网格预测的class信息和bounding box预测的confidence信息相乘,就得到每个bounding box的class-specific confidence score:

得到每个bbox的confidence score以后,设置阈值,滤掉的得分低的bboxes,对保留的bboxes进行NMS处理,就得到最终的检测结果。 

2、backbone

YOLO的网络结构由24个卷积层和2个全连接层组成,网络结构借鉴了GoogLeNet分类网络结构,但是没有使用Inception module,使用的1×1卷积(交替的1×1卷积用来减少前几层的特征空间)和3×3卷积简单替代。网络输入的图片大小为448×448,最终输出为7×7×30的张量(在PASCAL VOC数据集上)。

在这里需要注意的是因为最后用到了两层全连接层,这就使得对网络的输入有一定的要求,不可以变换其余大小的输入。

3、训练预训练

YOLOV1会现在imagnet上面进行预训练一个分类网络,预训练的网络即为整个网络结构的前20个卷积层+池化层+全连接层。然后再去进行训练检测网络,在预训练网络的基础上添加4个卷积层和2个全连接层,随机初始化权重。最后一层预测类概率和bounding box坐标。通过图像宽度和高度对bounding box的宽度和高度进行归一化,使它们下降到[0,1]之间,同时将(x,y)坐标参数化为特定网格单元位置的偏移,因此它们也在[0,1]之间。

损失函数

YOLOV1的损失函数算是比较经典的了,后面的也是基于这个损失函数进行梯度下降的。 YOLOv1的Loss一共由5个部分组成,均使用均方误差(sum-square error,MSE)损失,如下图所示:

 在这里需要注意的是第三点的值是0.5,而不是5。

4、优劣

YOLOV1是采用回归的思想,并没有提前设计好锚框,使用轻量型的网络对物体进行定位和分类,处理速度很快。但是不足也很明显: ● 由于每一个区域默认只有两个bounding box做预测,并且只有一个类别,因此YOLOv1有这天然的检测限制。这种限制会导致模型对于小物体,以及靠得特别近的物体检测效果不好(一个网格只能预测一个物体)。 ● 由于没有类似于Anchor的先验框,模型对于新的或者不常见宽高比例的物体检测效果不好。另外,由于下采样率较大,边框的检测精度不高。

参考:【目标检测】单阶段算法--YOLOv1详解

本文链接地址:https://www.jiuchutong.com/zhishi/298650.html 转载请保留说明!

上一篇:小程序和H5页面的相互跳转(小程序和h5页面的区别)

下一篇:Angular快速入门(angular 初学者快速上手教程)

  • 产权转移书据印花税计税依据
  • 什么叫抵扣进项
  • 固定资产中的动态投资包括
  • 应纳税所得额超过36000至144000
  • 异地销售存货如何确定纳税地点
  • 低值易耗品是成本吗
  • 房产税法律制度的重要内容
  • 企业所得税能否核定征收
  • 开票的时候开票人是管理员
  • 营业收入包括的项目有
  • 个人独资企业还是个体户好
  • 出口押汇申请书
  • 应付职工薪酬核算内容不包括
  • 计提生产设备折旧费计入什么科目
  • 汇兑损益 纳税调整
  • vue 高德地图 窗体
  • 补交上一年度的养老保险
  • linux小技巧
  • 房屋装修各项费用比例
  • 电脑语言栏不见了,打不出汉字
  • PHP:imagecreatefromgif()的用法_GD库图像处理函数
  • 职工福利费会计科目怎么写
  • php pdo连接sqlserver
  • php实现发送邮件
  • 非成品柴油用途
  • php dao
  • 拨缴经费收入进行账务处理
  • 一站式自动化测试平台如何滑动
  • 机器学习中的预测评价指标MSE、RMSE、MAE、MAPE、SMAPE
  • vue setstate
  • 用python处理图像
  • 37.JavaScript对象与JSON格式的转换,JSON.stringify、JSON.parse方法的使用方法和注意事项
  • cookie from
  • 所得税季度申报弥补以前年度亏损
  • golang 调用动态库
  • 公司给买员工保险
  • mysql事务引擎
  • 高新企业做账有什么不同
  • 按月计提固定资产折旧算收入吗
  • mongodb $and
  • dedecms都能做什么网站
  • 车票增值税抵扣怎么操作
  • 股权转让主要交什么税费
  • 新办企业发票核定及申领
  • 企业净利率多少算高
  • 微信支付宝等改观了人们的生活方式修改病句
  • 现代服务税目包括哪些具体分类
  • mongodb的语句
  • 坏账核销的会计规定
  • 小企业会计准则调整以前年度费用分录
  • 本年利润总分类账怎么写
  • 电费发票未到怎么入账
  • 所得税费用科目的期末余额应直接转入
  • 逾期贷款利息收入增值税和企业所得税纳税义务时间
  • 非税收入一般缴款书查询
  • 多缴所得税返还会计分录
  • 出口退税转免税怎么写个说明
  • 往来账是什么样的
  • 怎么验证触发器的执行
  • ios 数据库版本升级
  • redhat6.5安装图形界面
  • win8磁盘占用率高怎么处理
  • kvm虚拟机性能调优
  • 小黑马科技
  • 拖放文件到此处来添加文件是什么意思
  • 电脑重装系统步奏
  • ezulumain.exe是病毒进程吗 ezulumain进程安全吗
  • windows xp输入法不见了怎么办
  • windows1021h2镜像下载
  • win8的桌面文件在哪里
  • win10预览文件怎么显示内容
  • python算法简单编程题
  • python二级怎么出题
  • javascript刷新页面的几种方法
  • 针对后台列表table拖拽比较实用的jquery拖动排序
  • javascript基础教程pdf
  • python的入门教程
  • jQuery Ajax 全局调用封装实例代码详解
  • 深圳布吉下水径旧改
  • 镇江市物业管理协会
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设