网站模板怎么打开,哪里找做网站客户,网站关键词优化排名外包,阳江营销型网站建设YOLO-V1 经典的one-stage方法 YouOnlyLookOnce#xff0c;名字就已经说明了一切#xff01;把检测问题转化成回归问题#xff0c;一个CNN就搞定了#xff01;可以对视频进行实时检测#xff0c;应用领域非常广#xff01; 核心思想#xff1a;
Yolov1的核心思想是将对象…YOLO-V1 经典的one-stage方法 YouOnlyLookOnce名字就已经说明了一切把检测问题转化成回归问题一个CNN就搞定了可以对视频进行实时检测应用领域非常广 核心思想
Yolov1的核心思想是将对象检测问题转化为一个回归问题通过单个神经网络直接在输入图像上预测边界框和类别。这个网络被划分为多个网格每个网格负责检测特定区域内的对象。每个网格预测多个边界框和每个边界框的置信度以及每个边界框所属的类别。整个网络采用全连接层将所有预测值聚合在一起并利用非极大值抑制过滤出最终的检测结果。这种方法减少了检测过程中的计算量提高了检测速度同时保持了较高的准确率。 网络架构 YOLOv1You Only Look Once Version 1是一种基于卷积神经网络的目标检测算法由Joseph Redmon于2015年提出。相较于之前的目标检测算法YOLOv1在速度上有很大的优势可以实现实时目标检测。
YOLOv1的网络架构可以分为两个阶段特征提取和目标检测。特征提取使用了一个24层的卷积神经网络将输入图像经过多次卷积层和池化层处理后得到一张特征图。目标检测则在这张特征图上完成将图像分成7x7个网格并对每个网格预测目标的类别和位置。
YOLOv1的网络架构如下图所示
yolov1-network-arch
输入图像首先会经过一个卷积层该卷积层使用Sobel边缘检测滤波器可以提取图像中的边缘信息。接着经过多个卷积层和池化层处理最后得到一张7x7x1024的特征图。这张特征图被分为7x7个网格每个网格预测两个边界框bounding box每个边界框包含5个预测值x、y、w、h和置信度confidence。x和y表示边界框中心在网格中的位置w和h表示边界框的宽度和高度置信度表示该边界框包含目标的概率。
YOLOv1的训练过程使用了交叉熵损失函数并且将不同类别的损失进行了加权使得小目标和大目标的权重相等避免了某些类别在预测时过度占据了损失函数。此外YOLOv1的训练过程采用了多尺度输入图像以更好地处理不同大小的目标。
虽然YOLOv1在速度上有很大的优势但是在检测精度方面并不是最优的。随后的YOLOv2、YOLOv3和YOLOv4等版本不断推出对YOLOv1的网络架构进行了改进和优化提高了检测精度和速度。
每个数字的含义 损失函数 NMS(非极大值抑制)
NMS (Non-maximum suppression非极大值抑制)是一种在计算机视觉中常用的技术主要用于目标检测、边缘检测等领域中的局部最大值的筛选。
在目标检测中经常会使用滑动窗口或者锚框来搜索可能包含目标的区域。这个过程中往往会产生很多重叠的检测结果不同的检测结果可能都认为自己是目标。这时候需要使用NMS来筛选掉其中的冗余检测结果只保留最准确的那一个。
NMS的基本思想很简单对于一组检测结果首先会按照其得分比如分类概率从高到低排序然后从得分最高的检测结果开始遍历其余所有检测结果。对于任意两个重叠度IoU大于一定阈值的检测结果只保留得分较高的那个将得分较低的检测结果删除。重复这个过程直到所有检测结果被遍历完。
NMS算法的核心就是对检测框进行排序和遍历并删除冗余的检测框然后返回排好序的检测框列表。NMS算法是目标检测的重要组成部分也是多个目标检测算法共有的一个优化手段。 YOLO-V1的优缺点
优点快速简单 问题1每个Cell只预测一个类别如果重叠无法解决问题2小物体检测效果一般长宽比可选的但单一
