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

YOLO系列详解目标检测

yolo v1

前言

详解

yolo v2

前言

详解

yolo v3

前言

详解

yolo v3 spp

损失

yolo v4

前言

详解

yolo v5

YOLO系列详解目标检测相关推荐

最新文章

热门文章

YOLO系列详解 目标检测

yolo v1

前言

详解

yolo v2

前言

详解

yolo v3

前言

详解

yolo v3 spp

损失

yolo v4

前言

详解

yolo v5

YOLO系列详解 目标检测相关推荐

最新文章

热门文章

YOLO系列详解目标检测

YOLO系列详解目标检测相关推荐