YOLO系列详解 目标检测
yolo v1
前言
相比同年的fast-rcnn和ssd都没有优势
详解
- B=2,Pr(Object)为0或者1
- 在v1中没有anchor的概念,预测的xywh是直接预测的box的位置,不像fast-rcnn和ssd中预测的这四个值都是相对我们anchor的回归参数。
- 在预测时,输出的结果既包含了该box为某一个目标的概率,又包含了重合程度,与fast-rcnn和ssd直接预测的目标概率不一样。
Backbone: GoogLeNet with no inception modules
Neck: None
Head: YOLO [fc(1570)->77(52+20)]
存在的问题:
- 对群体小目标效果很差,比如一群鸟。因为对每个cell只预测2个bounding-box,而且属于同一个类别,意味着一次只能预测一个物体,所以导致网络的召回率极低。
- 目标出现新的尺寸的时候,效果差。
- 主要错误的原因就是定位不准确的问题,因为它是采用直接预测box位置,而不是fast-rcnn和ssd预测先对anchor的回归参数。
- 由于输出层为全连接层,因此在检测时,YOLO训练模型只支持与训练图像相同的输入分辨率。
yolo v2
前言
通过使用voc,imagenet数据集联合训练,能够识别的类别超过9000.
详解
效果:
- 对训练收敛有很大帮助
- 减少所需使用的正则化处理
- 能够提升2个百分点map,帮助正则化模型
采用基于anchor 偏移的预测可以简化目标边界框预测,使网络更加容易收敛和学习。
使用anchor会使得map小幅度降低,但是召回率会有很大提升,从而意味着模型有更大的提升空间。
在fast-rcnn和ssd的时候,作者并没有明确给出为什么要采用预测的anchor或者default-box,而是根据工程经验得出的。
anchor的聚类,采用k-means获取anchor
在直接使用基于anchor的方式去训练,在训练前期会特别不稳定,不稳定的主要因素就来自预测x,y导致的。因为xy没有被限制,所以在加上偏移量tx和ty后,中心点可能出现在图像的任意一个地方。
解决办法就是对tx和ty进行一个函数限制(sigmoid)。使得xy最终肯定在自己的grid-cell内。
使用box聚类和限制txty,带来了5个点的提升。
Backbone: darknet19
Neck: None
Head: passthrough [conv->1313anchor*(5+20)]77卷机使用33加1 * 1卷机替代。减少计算量小,防止过拟合;网络可以做的更深,更好的提取特征。
使用全局平均池化代替fc,适应图像多尺度的输入。
信息融合:结合更多底层的信息。最后的13x13,去融合26x26的特征图。即passlayer。
效果提升1个百分点。
- 多尺度训练
- 每迭代十个batch,就把网络的输入尺寸进行随机的选择,由于v2的缩放因子是32,所以网络的输入尺寸都是32的整数{320,352,…,608},
yolo v3
前言
基本上只是整合了当时比较主流的网络的优点,比如FPN,基本没有太多的创新点。
详解
表面darknet与resnet很像,但是仔细看会发现darknet是没有最大池化下采样层的。即用卷积代替池化。
卷积核的个数更少,使得参数量和计算量变少。
Backbone: darknet53
Neck: None
Head: [conv->1313anchor/3*(5+classes)]
[conv->2626anchor/3*(5+classes)]
[conv->5252anchor/3*(5+classes)]使用resnet的残差结构,提高特征提取能力。
因为提高了提取特征的能力,所以检测头也从1个提高到3个。
和v2一样
- 正样本:针对每一个gt都会分配一个与之iou最大的bbox。
- 如果预测结果与gt有重合且超过阈值,但iou不是最大,则直接丢弃这个预测结果。
- 剩下的样本为负样本
yolo v3 spp
损失
yolo v3中使用的定位损失,差值平方的计算方法,即L2损失(MSE)。
考虑到了重叠面积
考虑到了两个中心的距离
在diou的基础上,还考虑到了两个box的长宽比;
iou这部分可参考:https://blog.csdn.net/leonardohaig/article/details/103394369
focal loss可参考:https://www.cnblogs.com/king-lps/p/9497836.html
对于两阶段的faster-rcnn的正负样本不平衡问题不显著的原因是因为第二阶段使用的achor是第一阶段筛选后的,只有两千个左右,而一阶段的yolo有上万个。
降低简单负样本的权重(损失贡献),增加难的负样本的权重。
gamma=0时退化为CE loss,一般取值2
yolo v4
前言
Yolo 系列的原作者在推出了 YoloV3 后宣布退出 CV 界。俄罗斯的程序员 Alexey Bochkovskiy 凭借自己的摸索复现了 Yolo 系列全部模型,并总结了最接近几年目标检测的各种套路。就在前几个推出了 YoloV4.
YoloV4 将最近几年 CV 界大量的trick 集中在一套模型中。这篇论文不仅仅可以看作是一个模型的学习,更能看成是一个不错的文献总署。更有意思的是作者提出了 backbone,neck,head 的目标检测通用框架套路。
backbone, neck, head 其实非常的形象。它表示组成一个“人”的三个部分。从下到上就是 backbone, neck, head 。
backbone:各类卷积网络,目的是对原始图像做初步的特征提取。
neck:各类结构,目的是从结构上做“特征的融合”。主要为解决小目标检测,重叠目标检测等问题。
head:gd 编码,回归和解析。
YoloV3 就是一个典型的 backbone, neck, head 结构。
详解
Backbone: CSPDarknet53
Neck: FPN,SPP,PAN
Head: [conv->1313anchor/3*(5+classes)]
[conv->2626anchor/3*(5+classes)]
[conv->5252anchor/3*(5+classes)]
yolo v5
Backbone: Focus + CSPDarknet53
Neck: FPN,SPP,PAN,CSP结构
Head: [conv->1313anchor/3*(5+classes)]
[conv->2626anchor/3*(5+classes)]
[conv->5252anchor/3*(5+classes)]
【参考】
b站:霹雳吧啦Wz
csdn:https://blog.csdn.net/lemonbit/article/details/109281590
YOLO系列详解 目标检测相关推荐
- 【深度学习】:详解目标检测YOLO V1(You Only Look Once)算法
YOLO(You Only Look Once)是一种基于深度神经网络的对象识别和定位算法.Yolo系列算法属于One-Stage算法,是一种基于深度神经网络的对象识别和定位算法,其最大的特点是运行速 ...
- 深度学习(十四)——Softmax详解, 目标检测, RCNN
https://antkillerfarm.github.io/ Softmax详解 首先给出Softmax function的定义: yc=ζ(z)c=ezc∑Cd=1ezd for c=1,-,C ...
- 从零深入理解Yolo系列理论v1-v8 + 目标检测面试提问
目标检测-Yolo系列发展 先验框/锚框/候选框 Anchor机制 Anchors Base原理 Anchors Free原理 YOLO v1 Yolov1网络结构 Yolov1实现方法 Yolov1 ...
- 万字长文详解目标检测算法,超大超全(2022最新)
摘要 1 概述 2 目标检测回顾 2.1 two-stage 2.2 one-stage 3 目标检测配方 3.1 基础概念 3.1.1 损失函数 3.1.2 Anchor-based 和 Keypo ...
- 收藏 | 详解目标检测(MMdetection)-Runner
点上方计算机视觉联盟获取更多干货 仅作学术分享,不代表本公众号立场,侵权联系删除 转载于:作者丨却道@知乎 来源丨https://zhuanlan.zhihu.com/p/268571921 编辑丨极 ...
- 【目标检测·yolo系列】YOLOV1目标检测论文(参考 同济子豪兄的解读)笔记
YOLO V1 目标检测 object detection YOLOV1 预测阶段 前向推断 用图展示过程 预测阶段 后处理 NMS Non-Maximum Suppression 非极大值抑制 训练 ...
- 详解目标检测之Neck选择
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 作者丨曲終人不散丶@知乎(已授权) 来源丨https://zhua ...
- 详解目标检测的评价指标
在人工智能领域,机器学习的效果需要用各种指标来评价.当一个目标检测模型建立好了之后,即模型训练已经完成,我们就可以利用这个模型进行分类识别.那么该如何去评价这个模型的性能呢? 今天我们从交并比,准确率 ...
- 华为-yolo系列详解
[转载]https://www.huaweicloud.com/articles/1bbc978269862843879e580761883927.html
最新文章
- Java网络编程基础(三)---基于UDP编程
- python零基础实例-python零基础练手项目100+
- Go语言 XML生成和解析
- QT信号和槽函数学习笔记
- python 粒子动画_python-盒子中有很多粒子-物理模拟
- html点击事件传参 php,HTML通过事件传递参数到js详解及实例
- 2 年 6 个月 11 天,外包到阿里的修仙之路!| 原力计划
- python 调用 C++ code
- 动态修改服务器配置文件,asp.net(c#)动态修改webservice的地址和端口(动态修改配置文件)...
- 计算机发展的新用途应用,新时期计算机技术的应用及发展趋势
- 解决联想电脑插入耳机没有声音问题
- IBM笔记本使用法语输入法,如何键入法语特殊字符?
- echarts在中国地图上绘制各省指标
- 骑行运动,对青春期年青人有什么好处?
- PCI-E基础知识学习
- matlab求二阶微分方程的通解,二阶常微分方程matlab的数值解和解析解分析总报告.ppt...
- 融媒体网络营销WSEO案例分享:两天内与大型网站有相同排名
- unraid下使用iyuu辅种
- oracle 00600 kccpb,ora-00600 [kccpb_sanity_check_2] 错误处理
- MAK vrforce 5.0 vrvantage3.0 vrengage 2.0