Yolo V1、V2目标检测系统【详解】看不懂就在评论区diss我好吗

2023-11-03 21:59

本文主要是介绍Yolo V1、V2目标检测系统【详解】看不懂就在评论区diss我好吗,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

    • 一、Yolo V1
      • 1、YoloV1的核心思想
        • 1.1 YoloV1存在的缺陷
      • 2、YoloV1预测过程
      • 3、YoloV1的Loss组成
        • 3.1 中心点的 Loss
        • 3.2 置信度Loss
        • 3.3 类别的Loss
      • 4、YoloV1的优缺点
    • 二、Yolo V2
      • 1、YoloV2对于YoloV1的改进
      • 2、anchor(锚点/先验框)
        • 2.1 注意点
        • 2.2 Anchor和Loss Function
        • 2.3 Anchor和cell的结合
      • 3、 YoloV2的效果比较

一、Yolo V1

1、YoloV1的核心思想

Yolo V1的核心思想就是:One cell will be responsible for predicting an object as long as an object’s center locating in that cell.翻译为中文:只要物体落在哪个格子(cell)中,那么那个格子(cell)将会预测这个物体。如图:

在这里插入图片描述
在这里插入图片描述

1.1 YoloV1存在的缺陷

因为一个格子(cell)只能预测一个物体,如果2个物体的中心点落在同一个格子(cell)内那这2个物体就不能被同时预测

2、YoloV1预测过程

Each cell predicts B bounding box with a confidence,翻译为:每个格子预测B个有置信度的边界框。

在这里插入图片描述
如上图第一行是边界框的中心。

第二行是边界框的置信度,包括两个部分,其中 P r ( o b j e c t ) P_{r}(object) Pr(object)表示预测的是不是物体,预测值在 0~1 之间, I o U p r d t r u t h IoU^{truth}_{prd} IoUprdtruth表示预测物体的置信度,即预测的准不准,预测值也在 0~1 之间,所以总体的置信度都在0~1之间;需要注意的是网络预测的是置信度,不预测具体的 P r ( o b j e c t ) P_{r}(object) Pr(object) I o U p r d t r u t h IoU^{truth}_{prd} IoUprdtruth

第三行是网络预测的最终输出结果,从这里可以看出,一个格子预测的B个边界框都是属于同一个种类。

3、YoloV1的Loss组成

YoloV1的Loss由3部分组成,包括中心点的Loss,置信度的Loss,类别的Loss

在这里插入图片描述


关于 I i j o b j \mathbb{I}^{obj}_{ij} Iijobj,原论文是这样解释的:we have B predictions in each cell, only the one with largest IoU shall be labeled as 1。

在这里插入图片描述

3.1 中心点的 Loss

在这里插入图片描述
x , y x, y x,y:predicated bbox center,

𝑤 , h 𝑤,ℎ w,h:predicated bbox width & height

x ^ , y ^ \hat{x}, \hat{y} x^,y^:labeled bbox center,

w ^ , h ^ \hat{w}, \hat{h} w^,h^∶labeled bbox width & height

𝑤 , h \sqrt{𝑤},\sqrt{ℎ} w ,h :Suppress the effect for larger bbox

λ 𝑐 𝑜 𝑜 𝑟 𝑑 \lambda_{𝑐𝑜𝑜𝑟𝑑} λcoord:设置为5, because there’s only 8 dimensions. Too less comparing to other losses
Weighted loss essentially.

需要注意的是: I i j o b j \mathbb{I}^{obj}_{ij} Iijobj只有具有最大的IoU才能设置为1,即待预测物体的格子只计算一次中心点Loss;

3.2 置信度Loss

在这里插入图片描述
C i ^ \hat{C_i} Ci^:confidence score [IoU] ofpredicated and labeled bbox
即是说, C i ^ \hat{C_i} Ci^是我们预测的边界框与标注的边界框相计算的IoU

C i C_i Ci∶predicated confidence score [IoU] generated from networks
即是说, C i C_i Ci是网络预测的值,只要给 C i C_i Ci保留一个空位tensor,网络就会预测

我们也用到了 I i j n o o b j \mathbb{I}^{noobj}_{ij} Iijnoobj,即是学习背景,因为我们并没有给背景标注,所以这里的 C i ^ \hat{C_i} Ci^为0;

λ n o o b j \lambda_{noobj} λnoobj设置为0.5,因为背景相对于正样本太多了,所以设置为0.5;

3.3 类别的Loss

在这里插入图片描述
Each cell will only predict 1 object, which is decided by the bbox with largest IoU Classification Loss;

Don’t forget to do NMS after generating bboxes

因为每个cell只预测同一个类别的物体,所以就没有 ∑ j = 0 B \sum_{j=0}^{B} j=0B这一项;

4、YoloV1的优缺点

优点:
One stage, really fast
缺点:
1、Bad for crowed objects [ 1 cell 1 obj

2、Bad for small objects

3、Bad for objects with new width height ratio

4、No BN




二、Yolo V2

1、YoloV2对于YoloV1的改进

1、加入了BN层
在这里插入图片描述

2、High Resolution Classifier,由7×7的格子变成了13×13的格子

3、anchor的使用

4、reorg网络
即把一个feature map每隔一个数据点进行分割,如图通过reorg网络把 4×4 的feature map分割成了4个 2×2 的feature map,然后再和其他2×2 的feature map进行拼接。
目的:进行浅层物理信息和深层语义信息的结合。
在这里插入图片描述

5、Multi Scale Training
Remove FC layers: Can accept any size of inputs, enhance model robustness.

Size across 320, 352, …, 608. Change per 10 epochs
[border % 32 = 0, decided by down sampling]

2、anchor(锚点/先验框)

2.1 注意点

1、Pre defined virtual bboxes,即YoloV2的anchor是预先设定好的虚拟边框,是已知的,

2、Final bboxes are generated from them

3、与Fast-RCNN的anchor的区别
Fast-RCNN的anchor是网络生成的,而YoloV2的anchor是预先设定好的虚拟边框。

2.2 Anchor和Loss Function

在这里插入图片描述
红色的a表示anchor,p表示预测框,g表示label,
在这里插入图片描述
YoloV1的回归是预测框的坐标与label标注框之间的回归,在YoloV2里变成了offset的回归,即图中的 p-a 和 g-a,
在这里插入图片描述


在这里插入图片描述
已知值:anchor、Ground Truth
即是说 t x p t^{p}_x txp是网络预测的值, t x g t^{g}_x txg是用已知值算出来的,
为什么关于anchor的归一化抑制大物体的影响,取 log 也是同样的作用,

2.3 Anchor和cell的结合

因为YoloV2里最终生成的feature map是13×13,计算的Loss都是基于这个13×13的feature map,所以需要把anchor归一化到13×13。

a n c h o r [ 0 ] = a w i = a w o r i W ∗ 13 anchor[0]=a_{wi}=\frac{a_{w_{ori}}}{W}*13 anchor[0]=awi=Wawori13
如何把ground truth归一化到13×13呢?
标注的ground truth: [ x 0 , y 0 , w 0 , h 0 ] ∈ [ 0 , W ∣ H ] [x_0,y_0,w_0,h_0]\in[0,W|H] [x0,y0,w0,h0][0,WH]
然后再分别除以 W ∣ H W|H WH,把坐标归一化到 0-1 之间,然后再乘以13;
即:
[ x , y , w , h ] = [ x 0 / W , y 0 / H , w 0 / W , h 0 / H ] ∗ ( 13 ∣ 13 ) [x,y,w,h]=[x_0/W,y_0/H,w_0/W,h_0/H]*(13|13) [x,y,w,h]=[x0/W,y0/H,w0/W,h0/H](1313)
最后再根据cell进行归一化,
x f = x − i x_f=x-i xf=xi y f = y − i y_f=y-i yf=yi w f = l o g ( w / a n c h o r [ 0 ] ) w_f=log(w/anchor[0]) wf=log(w/anchor[0]) h f = l o g ( w / a n c h o r [ 1 ] ) h_f=log(w/anchor[1]) hf=log(w/anchor[1])
所以最终得到的 [ x f , y f . w f , h f ] ∈ [ 0 , 1 ] [x_f,y_f.w_f,h_f]\in[0,1] [xf,yf.wf,hf][0,1]

所以上面的 f ( x ) f(x) f(x)可以更改为:
在这里插入图片描述
这里说一下上图的符号的意思,

σ ( t x p ) \sigma(t^p_x) σ(txp)是网络预测的结果,因为网络预测的范围在 0-1 之间,所以要加上 σ \sigma σ

b x b_x bx的就是上面公式中的 [ x , y , w , h ] [x,y,w,h] [x,y,w,h]

C x , C y C_x,C_y Cx,Cy是13×13 feature map cell的序号

p w p_w pw是上面公式中的 a n c h o r [ 0 ] anchor[0] anchor[0]

3、 YoloV2的效果比较

在这里插入图片描述

这篇关于Yolo V1、V2目标检测系统【详解】看不懂就在评论区diss我好吗的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/341155

相关文章

Spring Security基于数据库验证流程详解

Spring Security 校验流程图 相关解释说明(认真看哦) AbstractAuthenticationProcessingFilter 抽象类 /*** 调用 #requiresAuthentication(HttpServletRequest, HttpServletResponse) 决定是否需要进行验证操作。* 如果需要验证,则会调用 #attemptAuthentica

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

水位雨量在线监测系统概述及应用介绍

在当今社会,随着科技的飞速发展,各种智能监测系统已成为保障公共安全、促进资源管理和环境保护的重要工具。其中,水位雨量在线监测系统作为自然灾害预警、水资源管理及水利工程运行的关键技术,其重要性不言而喻。 一、水位雨量在线监测系统的基本原理 水位雨量在线监测系统主要由数据采集单元、数据传输网络、数据处理中心及用户终端四大部分构成,形成了一个完整的闭环系统。 数据采集单元:这是系统的“眼睛”,

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

嵌入式QT开发:构建高效智能的嵌入式系统

摘要: 本文深入探讨了嵌入式 QT 相关的各个方面。从 QT 框架的基础架构和核心概念出发,详细阐述了其在嵌入式环境中的优势与特点。文中分析了嵌入式 QT 的开发环境搭建过程,包括交叉编译工具链的配置等关键步骤。进一步探讨了嵌入式 QT 的界面设计与开发,涵盖了从基本控件的使用到复杂界面布局的构建。同时也深入研究了信号与槽机制在嵌入式系统中的应用,以及嵌入式 QT 与硬件设备的交互,包括输入输出设

OpenHarmony鸿蒙开发( Beta5.0)无感配网详解

1、简介 无感配网是指在设备联网过程中无需输入热点相关账号信息,即可快速实现设备配网,是一种兼顾高效性、可靠性和安全性的配网方式。 2、配网原理 2.1 通信原理 手机和智能设备之间的信息传递,利用特有的NAN协议实现。利用手机和智能设备之间的WiFi 感知订阅、发布能力,实现了数字管家应用和设备之间的发现。在完成设备间的认证和响应后,即可发送相关配网数据。同时还支持与常规Sof

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来,一站式有声阅读平台听书系统 🌟 开篇:遇见未来,从“智听”开始 在这个快节奏的时代,你是否渴望在忙碌的间隙,找到一片属于自己的宁静角落?是否梦想着能随时随地,沉浸在知识的海洋,或是故事的奇幻世界里?今天,就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统,它正悄悄改变着我们的阅读方式,让未来触手可及! 📚 第一站:海量资源,应有尽有 走进“智听

【区块链 + 人才服务】可信教育区块链治理系统 | FISCO BCOS应用案例

伴随着区块链技术的不断完善,其在教育信息化中的应用也在持续发展。利用区块链数据共识、不可篡改的特性, 将与教育相关的数据要素在区块链上进行存证确权,在确保数据可信的前提下,促进教育的公平、透明、开放,为教育教学质量提升赋能,实现教育数据的安全共享、高等教育体系的智慧治理。 可信教育区块链治理系统的顶层治理架构由教育部、高校、企业、学生等多方角色共同参与建设、维护,支撑教育资源共享、教学质量评估、

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集,专门用于烟火目标检测,是一个非常有价值的资源,尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍: 数据集名称:烟火目标检测数据集 数据集规模: 图片数量:7800张类别:主要包含烟火类目标,可能还包括其他相关类别,如烟火发射装置、背景等。格式:图像文件通常为JPEG或PNG格式;标注文件可能为X