P1-YOLO学习1.1-YOLOV1

2024-02-13 17:59
文章标签 学习 yolo 1.1 p1 yolov1

本文主要是介绍P1-YOLO学习1.1-YOLOV1,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!

目录

一.YOLOV1

        1.Abstract

        2.Core

        3.NetWork

        4.Training 

        5.Experiments

         6.WebNet

        7.Innovation point


一.YOLOV1

        1.Abstract

                

        分析:You Only Look Once 即你只看一遍即可。本文提出了一种不同与分类器检测的思想,即一种一个CNN解决一个回归问题。其优点为检测速度(FPS)和mAP很快,因此非常适合视频实时检测。

        2.Core

 

         YOLOV1的核心思想是将图像分成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。

        每个中心点产生两个候选框(YOLOV1中bicth=2)B1(x1,y1,w1,h1) B2(x2,y2,w2,h2),实现代码中对其进行归一化(分别除以图像的w和h),然后拿真实值算iou,谁的iou大进行微调,每个候选框有一个置信度confidence(当前这个点是物体还不是物体)或者大于某个阈值。每个格子预测一下格子内是什么物体。

        Q1:多点产生重合的框怎么办?

                NMS(非极大值抑制):按置信度进行排序,选最大的

        Class probability map(类概率图):每个cell只负责预测一个类别

总结:YOLOV1核心思想是将目标检测问题转换为一个回归问题,通过一个单独的神经网络模型预测目标的位置和类别。

        1>单次预测:YOLOV1采用一次向前传播,直接再整个图像上生成目标的预测,避免多次预测和区域划分的过程

        2>网格划分:YOLOV1将图像分割成一个固定大小的网格,每个网格负责预测目标信息

        3>边界框预测:每个边界框由一组坐标值表示,包括x,y,h,w,使用回归模型预测边界框的坐标,网络输出是相对网格单元的偏移量和边界框的宽高比

        4>类别预测:对于每个网格,YOLOV1预测多个类别的概率。

        5>损失函数:使用自定义的损失函数平衡边界框位置预测和类别预测的损失

        3.NetWork

        

         神经网络受GoogleNet启发采用24个卷积层和两个全连接层,但不同的是初始模块采用了1*1和3*3的卷积核

        Q2:为什么是448*448*3?

                受到了全链接层的限制,必须固定图片大小。

        第一个全连接层转换为4096个特征

        第二个全连接层为1470,其含义为7*7的格子,每个格子预测出30个值

        

         Q3:为什么用来两个全连接层?

                两个全连接层能够解决非线性问题

        其中30的含义,前5为b1,再5为b2,剩余20为分类任务

        4.Training 

        

 

        Q4:为什么位置误差中w,h加上了根号?

                 为了统一大小物体的误差

        数值较小更敏感,但解决的不大,后面版本还有改进

        5.Experiments

         6.WebNet

YOLO: Real-Time Object Detection

        7.Innovation point

        1>首次提出one-stage的概念实现end-to-end的图像检测,因其FPS远远高于同时期其他模型,因此YOLO更适用于实时检测

        2>为了提高检测速度,每个检测点只选出两个候选框进行识别预测

        3>提出了比较合理的损失函数

这篇关于P1-YOLO学习1.1-YOLOV1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/706218

相关文章

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx

Java深度学习库DJL实现Python的NumPy方式

《Java深度学习库DJL实现Python的NumPy方式》本文介绍了DJL库的背景和基本功能,包括NDArray的创建、数学运算、数据获取和设置等,同时,还展示了如何使用NDArray进行数据预处理... 目录1 NDArray 的背景介绍1.1 架构2 JavaDJL使用2.1 安装DJL2.2 基本操

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

usaco 1.1 Broken Necklace(DP)

直接上代码 接触的第一道dp ps.大概的思路就是 先从左往右用一个数组在每个点记下蓝或黑的个数 再从右到左算一遍 最后取出最大的即可 核心语句在于: 如果 str[i] = 'r'  ,   rl[i]=rl[i-1]+1, bl[i]=0 如果 str[i] = 'b' ,  bl[i]=bl[i-1]+1, rl[i]=0 如果 str[i] = 'w',  bl[i]=b

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

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