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

深度學習（24）——YOLO系列（3）

2年前作者：柚子味的羊分類：Toy博客閱讀(19)違法舉報

這篇具有很好參考價值的文章主要介紹了深度學習（24）——YOLO系列（3）。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。

深度學習（24）——YOLO系列（3）

今天YOLOv4理論版

1. BOF(bag of freebies)

只增強訓練成本，但是能顯著提高精度，但是不影響推理速度
數據增強：調整亮度，對比度，色調，隨機縮放…
網絡正則化的方法：dropout，dropblock
類別不平衡——>損失函數設計

2. Mosaic data augmentation

參考cutmix，以前就存在，將增強的四張圖像拼接在一張進行訓練（相當于間接增加batch）

3. 數據增強

random erase：隨機遮擋或擦除
hide and seek:根據概率隨機隱藏補丁

4. self-adversarial-training（SAT）

在原始圖像中增加噪音點干擾

5. dropblock

dropout是隨機選擇一些點遮?。ㄓ螒螂y度增加不大），dropblock現在遮住一個區(qū)域（游戲難度增大）
深度學習（24）——YOLO系列（3）

6. label smoothing

神經網絡最大的缺點，標簽絕對，容易過擬合
使用之后，簇內更緊密，簇間更分離

7. 損失函數

a. IOU損失

相同的IOU卻反映不出實際情況到底是怎么樣的
當交集為0時，沒有梯度無法計算（梯度消失）

b.GIOU

深度學習（24）——YOLO系列（3）

引入最小封閉框C（C可以把A,B包含在內）
在不重疊的情況下可以使預測框盡可能靠近真實框
解決了梯度下降的問題，但是重疊的時候失靈

c. DIOU

深度學習（24）——YOLO系列（3）

附加項的分子項：預測框與真實框中心點的歐氏距離
附加項的分母項：最小封閉框的對角線長度C
直接優(yōu)化距離，速度更快，并解決GIOU

d.CIOU

深度學習（24）——YOLO系列（3）

考慮三個幾何因素：
- 重疊面積
- 中心點距離
- 長寬比（v）

8. SPPNet（spatial pyramid pooling）

為了更好滿足不同輸入大小，訓練的時候要改變輸入數據的大小
SPP其實就是用最大池化來滿足最終輸入特征一致即可

9. CSPNet（cross stage partial network）【更快】

深度學習（24）——YOLO系列（3）

每個block 按照特征圖的channel維度拆分成兩部分
一份正常走網絡，另一份直接concat到這個block的輸出

10.CBAM & SAM

深度學習（24）——YOLO系列（3）

計算量太大！所以在V4中，引入SAM ，沒有channel之間的attention，只有spatial空間attention（attention可以讓模型更好學習特征）

11.YOLO中的attention鏈接機制

深度學習（24）——YOLO系列（3）

12. PAN

FPN是自頂向下的模式，將高層特征傳下來，高層逐層向下兼容下層（單向）
缺少底層到高層，PAN登場
引入自底向上的路徑，使得底層信息更容易傳到頂部
還是一個捷徑，紅色的可能要走100+層，綠色只需要幾層就OK

13. PAN的連接方式

深度學習（24）——YOLO系列（3）

14. 激活函數

深度學習（24）——YOLO系列（3）

15. 網絡結構

深度學習（24）——YOLO系列（3）文章來源地址http://www.zghlxwxcb.cn/news/detail-504816.html

16.優(yōu)點

使用單個GPU就可以訓練很好
量大核心方法：數據層面+網絡層面
消融實驗
速度快，性能高！

到了這里，關于深度學習（24）——YOLO系列（3）的文章就介紹完了。如果您還想了解更多內容，請在右上角搜索TOY模板網以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網！

本文來自互聯(lián)網用戶投稿，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，不擁有所有權，不承擔相關法律責任。如若轉載，請注明出處：如若內容造成侵權/違法違規(guī)/事實不符，請點擊違法舉報進行投訴反饋，一經查實，立即刪除！

分享到：

領支付寶紅包贊助服務器費用

深度學習（27）——YOLO系列（6）
咱就是說，需要源碼請造訪：Jane的GitHub ：在這里等你哦嗨，好久不見，昨天結束了yolov7的debug過程，真的在盡力句句理解，我想這應該是我更新的yolo系列的最后一篇，但是僅限于yolo，detect的話題還不會結束，還會繼續(xù)進行，detect結束以后再說segmentation。和往常以一樣的過程
2024年02月15日
瀏覽(16)
深度學習（28）——YOLO系列（7）
咱就是說，需要源碼請造訪：Jane的GitHub ：在這里上午沒寫完的，下午繼續(xù)，是一個小尾巴。其實上午把訓練的關鍵部分和數據的關鍵部分都寫完了，現在就是寫一下推理部分在推理過程為了提高效率，速度更快： 1.1 attempt_load(weights) weights是加載的yolov7之前訓練好的權重剛
2024年02月16日
瀏覽(16)
深度學習（23）——YOLO系列（2）
yolo-V3完整項目請造訪Jane的GitHub ：在這里等你哦今天先寫YOLO v3的代碼，后面再出v5，v7。 **特此說明：訓練使用的COCO數據量太大了，我不想下載，我就直接用test做測試了，但是里面的代碼核心還是一樣的。當然我會把train的代碼也放在這里大家可以用在自己的數據上訓練。
2024年02月11日
瀏覽(13)
深度學習（22）——YOLO系列（3）
今天YOLOv4理論版只增強訓練成本，但是能顯著提高精度，但是不影響推理速度數據增強：調整亮度，對比度，色調，隨機縮放… 網絡正則化的方法：dropout，dropblock 類別不平衡——損失函數設計參考cutmix，以前就存在，將增強的四張圖像拼接在一張進行訓練（相當于間接增
2024年02月09日
瀏覽(17)
【YOLO系列】YOLOv3論文超詳細解讀（翻譯＋學習筆記）
YOLOv3（《Yolov3:An incremental improvement》）是Joseph Redmon大佬關于YOLO系列的最后一篇，由于他反對將YOLO用于軍事和隱私窺探，2020年2月宣布停止更新YOLO。 ?YOLOv3在YOLOv2的基礎上改良了網絡的主干，利用多尺度特征圖進行檢測，改進了多個獨立的Logistic regression分類器來取代softmax來
2024年02月07日
瀏覽(32)
【YOLO系列】YOLOv7論文超詳細解讀（翻譯＋學習筆記）
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（╯－＿－）╯╧╧）。其實關于YOLOv7的網絡結構還有很多細節(jié)值得深入研究，以及代碼
2024年02月02日
瀏覽(28)
【YOLO系列】YOLOv1論文超詳細解讀（翻譯＋學習筆記）
從這篇開始，我們將進入YOLO的學習。YOLO是目前比較流行的目標檢測算法，速度快且結構簡單，其他的目標檢測算法如RCNN系列，以后有時間的話再介紹。本文主要介紹的是YOLOV1，這是由以Joseph Redmon為首的大佬們于2015年提出的一種新的目標檢測算法。它與之前的目標檢測算法
2024年02月04日
瀏覽(47)
【YOLO系列】YOLOv2論文超詳細解讀（翻譯＋學習筆記）
時隔一年，YOLOv2隆重登場，新的YOLO版本論文叫《YOLO9000: Better, Faster, Stronger》，作者 Joseph Redmon 和 Ali Farhadi 在 YOLOv1 的基礎上，進行了大量改進，提出了 YOLOv2 和 YOLO9000，重點解決YOLOv1召回率和定位精度方面的不足。論文原文：[1612.08242] YOLO9000: Better, Faster, Stronger (arxiv.org) 項
2023年04月08日
瀏覽(32)
YOLOv5目標檢測學習（1）：yolo系列算法的基礎概念
提示：文章寫完后，目錄可以自動生成，如何生成可參考右邊的幫助文檔關于深度學習目標檢測，有許多概念性的東西需要先了解一下。這里主要以基于深度學習的目標檢測算法的部署實現來學習。以yolov5為例：使用YOLOv5進行車輛和行人的目標檢測通常涉及以下步驟：數據
2024年04月09日
瀏覽(24)
目標檢測算法（R-CNN，fast R-CNN，faster R-CNN，yolo，SSD，yoloV2，yoloV3，yoloV4,yoloV5,yoloV6，yoloV7）
深度學習目前已經應用到了各個領域，應用場景大體分為三類：物體識別，目標檢測，自然語言處理。目標檢測可以理解為是物體識別和物體定位的綜合，不僅僅要識別出物體屬于哪個分類，更重要的是得到物體在圖片中的具體位置。為了完成這兩個任務，目標檢測模型分
2024年02月02日
瀏覽(27)

<input id="gnnof"></input>