国产无码综合区,色欲AV无码国产永久播放,无码天堂亚洲国产AV,国产日韩欧美女同一区二区

<kbd id="lntaw"><pre id="lntaw"><u id="lntaw"></u></pre></kbd>

<tr id="lntaw"><dfn id="lntaw"><input id="lntaw"></input></dfn></tr><input id="lntaw"><dfn id="lntaw"><input id="lntaw"></input></dfn></input>

YOLO系列概述（yolov1至yolov7）

2年前作者：lanmengyiyu分類：Toy博客閱讀(29)違法舉報

這篇具有很好參考價值的文章主要介紹了YOLO系列概述（yolov1至yolov7）。希望對大家有所幫助。如果存在錯誤或未考慮完全的地方，請大家不吝賜教，您也可以點擊"舉報違法"按鈕提交疑問。

YOLO系列概述（yolov1至yolov7）

參考：

睿智的目標檢測53——Pytorch搭建YoloX目標檢測平臺
YoloV7

yolo的發(fā)展歷史

YOLO系列概述（yolov1至yolov7）
首先我們來看一下yolo系列的發(fā)展歷史，yolo v1和yolox是anchor free的方法，yolov2，yolov3，一直到y(tǒng)olov7是anchor base的方法。首選我們來回顧下每個版本的yolo都做了些什么

yolo v1是將 $416 ? 416$ 的圖片，分成了 $7 ? 7$ 的網(wǎng)格，每個網(wǎng)格默認回歸兩個object，也就是最終預(yù)測一個長度為SS(B*5+C)的向量，這里 $s = 7, b = 2$ ，c是class的類別數(shù)量。

那么這里引入一個問題，為什么yolox也是anchor free的方法性能好，而yolo v1性能偏弱呢？這里主要是因為yolox與centernet類似，通過預(yù)測中心點，使得模型的預(yù)測更為準確。對于yolox會有一個featuremap表示某個位置是中心點的概率，而中心點比起長寬更能表示一個物體的特征。

我們再來看yolov2，因為此時faster rcnn的興起，在faster rcnn中最后一層featuremap每個位置可以回歸9個anchor，而anchor作為先驗知識發(fā)揮了巨大的作用，因此引入了yolov2中，當(dāng)然yolov2也提出了一些訓(xùn)練模型的技巧，比如先訓(xùn)練分類等等。并且因為anchor的存在，在一定程度上解決了yolo的小目標問題。

yolov2之后就到了yolov3，當(dāng)時fpn的誕生，又進一步解決了小目標問題，由于對于小目標來說經(jīng)過多層卷機之后feature可能就不見了或者很小了，那么就考慮到，淺層的特征范圍還比較大，如果能把淺層特征和深層特征concat到一起，就既有了表層特征又有了語義特征，因為fpn的加入 yolov3取得了較好的性能。

yolov4和yolov5值得一提的除了backbone改進之外，在數(shù)據(jù)增強上也做了創(chuàng)新，比如mosaic，mixup等方法的引入。其中mosaic指的就是將四張圖片拼接成一張用于目標檢測，這種方法的優(yōu)點在于豐富的背景信息有助于檢測，而mixup是將兩張圖片加和到一起。并且neck部分，作者也用了panet的方法，不僅僅通過兩次上采樣cancat，在此基礎(chǔ)上又用了兩次下采樣。這樣可以將特征更有效的融合到一起。

yolox和yolov7將在后面詳細介紹.

yolox

YOLO系列概述（yolov1至yolov7）
首先，yolox在backbone部分引入的focus網(wǎng)絡(luò)，類似于pooling的策略，但是他沒有像maxpooling一樣把小的feature丟掉，而是隔一個位置取一個值后堆疊到channel中，因為我們知道通道數(shù)越高，表征能力越強。
YOLO系列概述（yolov1至yolov7）
再次我們看一下作者用silu替換了relu，silu的優(yōu)勢在于它是全局可導(dǎo)的，不存在不可導(dǎo)的0點。

另外，在backbone部分，我們可以得到的啟示就是，怎樣將小的conv+bn+silu組成的基本卷積結(jié)構(gòu)構(gòu)造成不同類型的殘差結(jié)構(gòu)。
YOLO系列概述（yolov1至yolov7）
另外，在head部分，作者認為yolov3中的類別和坐標放到一個 $1 ? 1$ 卷積得到，會相互影響。因此把它分成兩個分支。

最后，SimOTA就是一個動態(tài)分配正樣本的算法，將預(yù)測框中十個iou最大的值加起來，近似得到的值就是將用來訓(xùn)練的正樣本數(shù)量。這一方法也在后續(xù)的yolo中被使用。

yolov7

YOLO系列概述（yolov1至yolov7）
22年夏天，又有大神提出了yolov7，可以看到同等fps下，ap比yolox可以提高5個點，那么我們就來看看有什么創(chuàng)新。

首先在backbone中，我們可以看到，其實作者改進的E-ELAN只是將原來4倍通道提高到了8倍，所以這也印證了我們之前說的，高通道有更強的特征表達能力。而E-ELAN沒有采用殘差的加和方式，而是采用了堆疊的方式，毫無疑問計算量更大，但是表征力更強，如果考慮輕量化，或許可以考慮改成加和的方式。
YOLO系列概述（yolov1至yolov7）

另外在檢測頭部分采用的rep網(wǎng)絡(luò)，當(dāng)訓(xùn)練時，有三個分支，分別是 $1 ? 1$ 卷積， $3 ? 3$ 卷積，和只有bn三個分支，但是預(yù)測時候，只保留主分支 $3 ? 3$ 分支，這就比較像dropout，它會讓一部分節(jié)點失活，或許可以起到跟dropout同樣的作用，減少過擬合。文章來源地址http://www.zghlxwxcb.cn/news/detail-447620.html

到了這里，關(guān)于YOLO系列概述（yolov1至yolov7）的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！

本文來自互聯(lián)網(wǎng)用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務(wù)，不擁有所有權(quán)，不承擔(dān)相關(guān)法律責(zé)任。如若轉(zhuǎn)載，請注明出處：如若內(nèi)容造成侵權(quán)/違法違規(guī)/事實不符，請點擊違法舉報進行投訴反饋，一經(jīng)查實，立即刪除！

分享到：

領(lǐng)支付寶紅包贊助服務(wù)器費用

經(jīng)典目標檢測YOLO系列(一)YOLOV1的復(fù)現(xiàn)(1)總體架構(gòu)
實現(xiàn)原版的YOLOv1并沒有多大的意義，因此，根據(jù) 《YOLO目標檢測》(ISBN:9787115627094) 一書，在不脫離YOLOv1的大部分核心理念的前提下，重構(gòu)一款較新的YOLOv1檢測器，來對YOLOV1有更加深刻的認識。書中源碼連接:GitHub - yjh0410/RT-ODLab: YOLO Tutorial 對比原始YOLOV1網(wǎng)絡(luò)，主要改進點如下：
2024年02月03日
瀏覽(23)
從YOLOv1到Y(jié)OLOv8的YOLO系列最新綜述【2023年4月】
作者： Juan R. Terven 、 Diana M. Cordova-Esparaza 摘要： YOLO已經(jīng)成為機器人、無人駕駛汽車和視頻監(jiān)控應(yīng)用的核心實時物體檢測系統(tǒng)。我們對YOLO的演變進行了全面的分析，研究了從最初的YOLO到Y(jié)OLOv8每次迭代的創(chuàng)新和貢獻。我們首先描述了標準指標和后處理；然后，我們討論了
2024年02月04日
瀏覽(23)
目標檢測——Yolo系列（YOLOv1/2/v3/4/5/x/6/7/8）
什么是目標檢測？滑動窗口（Sliding Window）滑動窗口的效率問題和改進滑動窗口的效率問題：計算成本很大改進思路 1：使用啟發(fā)式算法替換暴力遍歷例如 R-CNN，F(xiàn)ast R-CNN 中使用 Selective Search 產(chǎn)生提議框（區(qū)域提議）依賴外部算法，系統(tǒng)實現(xiàn)復(fù)雜，難以聯(lián)合優(yōu)化性能改進
2024年02月09日
瀏覽(26)
人工智能學(xué)習(xí)07--pytorch21--目標檢測：YOLO系列理論合集(YOLOv1~v3)
如果直接看yolov3論文的話，會發(fā)現(xiàn)有好多知識點沒見過，所以跟著視頻從頭學(xué)一下。學(xué)習(xí)up主霹靂吧啦Wz大佬的學(xué)習(xí)方法：想學(xué)某個網(wǎng)絡(luò)的代碼時：到網(wǎng)上搜這個網(wǎng)絡(luò)的講解 → 對這個網(wǎng)絡(luò)大概有了印象 → 讀論文原文（很多細節(jié)都要依照原論文來實現(xiàn)，自己看原論文十分
2024年02月10日
瀏覽(92)
YOLO系列 --- YOLOV7算法（一）：使用自定義數(shù)據(jù)集跑通YOLOV7算法
這不就尷尬了。。。剛理解完美團出的YOLO V6算法，V7就出來了。。。而且最關(guān)鍵的是V7還有V4作者的背書，不過好在其實V6和V7都是在YOLO V5的基礎(chǔ)上修改的代碼，所以代碼讀起來就比較順暢。YOLOV7算法打算按照以下的結(jié)構(gòu)進行講解： YOLOV7算法（一）：使用自定義數(shù)據(jù)集跑通YO
2024年02月04日
瀏覽(22)
YOLO系列 --- YOLOV7算法（六）：YOLO V7算法onnx模型部署
有很多人來問我，基于YOLO v7算法訓(xùn)練出來一個權(quán)重文件，如何進行部署。所以特地寫一篇部署的blog~ 一般，我們基于pytorch深度學(xué)習(xí)框架訓(xùn)練出來的權(quán)重文件是pt格式的，我們可以用python來直接調(diào)用這個文件。但是實際工業(yè)中，一般都是c++去調(diào)用權(quán)重文件的，所以我們需要將
2024年02月07日
瀏覽(18)
YOLO系列 --- YOLOV7算法（四）：YOLO V7算法網(wǎng)絡(luò)結(jié)構(gòu)解析
今天來講講YOLO V7算法網(wǎng)絡(luò)結(jié)構(gòu)吧~ 在 train.py 中大概95行的地方開始創(chuàng)建網(wǎng)絡(luò)，如下圖（YOLO V7下載的時間不同，可能代碼有少許的改動，所以行數(shù)跟我不一定一樣）我們進去發(fā)現(xiàn)，其實就是在 yolo.py 里面。后期，我們就會發(fā)現(xiàn)相關(guān)的網(wǎng)絡(luò)結(jié)構(gòu)都是在該py文件里面。這篇blog就主
2024年02月05日
瀏覽(25)
【YOLO系列】YOLOv7論文超詳細解讀（翻譯＋學(xué)習(xí)筆記）
終于讀到傳說中的YOLOv7了~???? 這篇是在美團的v6出來不到一個月就高調(diào)登場，作者還是我們熟悉的AB大神（對，就是v4那個），讀起來又是“熟悉”的感覺（貫穿了我的整個五一假期（╯－＿－）╯╧╧）。其實關(guān)于YOLOv7的網(wǎng)絡(luò)結(jié)構(gòu)還有很多細節(jié)值得深入研究，以及代碼
2024年02月02日
瀏覽(28)
【目標檢測——YOLO系列】YOLOv1 —《You Only Look Once: Unified, Real-Time Object Detection》
論文地址：1506.02640] You Only Look Once: Unified, Real-Time Object Detection (arxiv.org) 代碼地址：pjreddie/darknet: Convolutional Neural Networks (github.com) YOLOv1是一種end to end目標檢測算法，由Joseph Redmon等人于2015年提出。它是一種基于單個神經(jīng)網(wǎng)絡(luò)的實時目標檢測算法。 YOLOv1的中文名稱是\\\"你只看一
2024年02月08日
瀏覽(18)
【YOLO系列】YOLOv5、YOLOX、YOOv6、YOLOv7網(wǎng)絡(luò)模型結(jié)構(gòu)
【注】：本文為YOLOv5、YOLOX、YOLOv6、YOLOv7模型結(jié)構(gòu)圖，作圖軟件為drawio。因精力有限暫時不做結(jié)構(gòu)的詳細闡述和具體的代碼講解，后續(xù)有機會再做補充。如有需要可以查閱其他博主的文章了解學(xué)習(xí)。【另】：希望模型結(jié)構(gòu)圖可以幫助到有需要的人，如模型中有錯誤的地方，歡
2024年02月07日
瀏覽(40)

<ins id="guy0c"><button id="guy0c"></button></ins>