YOLO总结

最新推荐文章于 2025-05-17 22:56:41 发布
原创 最新推荐文章于 2025-05-17 22:56:41 发布 · 766 阅读 · 7 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #计算机视觉 #python

一、目标检测发展历程

下方是来自github整理的一张目标检测的数据集图和关于时间线的发展史图。
常用目标检测数据集

具有重要影响的模型用红色标出，可以根据需要进行学习。
目标检测发展史1
网上流传的另一种分类按照一阶段目标检测和两阶段目标检测作划分也可以对不同的方法有一个大致的认识：
在这里插入图片描述

二、各YOLO版本对比

项目 YOLOv1 YOLOv2 YOLOv3 YOLOv4
创新点 使用单个神经网络，将目标检测网络看作回归问题 1.引入Anchor boxes，K-means聚类和直接位置预测改善定位问题。
2.改进了网络结构，根据VGG16改进提出了Darknet-19作为分类模型的基础，减少了训练参数，提升了速度。
3.提出
最低0.47元/天 解锁文章

200万优质内容无限畅学
【全面认知YOLO系列】第一部分：YOLO系列模型发展史
今晚打老虎的专栏
04-07 1万+
YOLO V1（You Only Look Once version 1）是YOLO系列模型的第一个版本，由Joseph Redmon等人于2015年提出。相比于传统的目标检测方法，YOLO V1采用了全新的设计思路和网络结构，实现了端到端的目标检测，具有较高的检测速度和简单的设计。网络结构：YOLO V1模型采用卷积神经网络（CNN）作为基础网络结构，在输入图像上进行卷积操作，提取图像特征。单次预测。
yolo算法总结
weixin_45083710的博客
08-21 998
真实框是图像的人工标注bounding box 预测框是模型预测的 锚框是自己设想出来的候选区域，有了这个候选区域就不需要使用滑动窗口对整个图像每个部分挨个检测了，可以在FP的点基础上只检测某些候选区域，对别的区域可以忽视，加快检测速度。yolov3对训练数据使用了k-means聚类的算法来获得anchor boxes大小 在这个候选区域上使用模型进行预测得到预测框，并训练向真实框bounding box靠拢。 具体计算过程： 第一步：首先我们要知道我们需要聚类的是bounding box，所以我们无需考虑
YOLO系列总结
ahxieqi的博客
12-04 664
2018 December 04 yolo系列总结 YOLO系列总结 相比 RCNN系列，YOLO 系列的主要缺点： 识别物体位置精准性差； 召回率低； 主要原因是每个网格预测固定数量的物体使候选框数量减少； 网络结构 Backbone YOLO v1 改进 GoogLeNet，用 1x1 和 3x3 卷积核代替 inception modules； Leaky ReL：f(x)=ma...
2万字长文，YOLOv1-YOLOv11的十年全面进化综述！
最新发布
Datawhale
05-17 283
此外，Norkobil Saydirasulovich 等人对 YOLOv6 进行了扩展，改进了智能城市环境中的火灾检测，证明了该算法超越传统医疗应用的多功能性，证明了其在不同环境条件下的有效性。这些模型的性能优于前代模型，基础之上的创新功能。图 2：本综述文章结构图：该结构包括讨论开发路径的 YOLO 轨迹、之前的 YOLO 文献：提供背景和差异的上下文和区别、详细介绍每个版本的 YOLO 版本回顾、突出显示各种用例的应用程序、挑战、解决当前问题和潜在进展的局限性和未来方向，以及总结研究结果的结论。
02 YOLO系列总结
一千零一夜的博客
10-07 837
参考： https://arxiv.org/abs/1506.02640 https://www.jianshu.com/p/13ec2aa50c12 https://www.imooc.com/article/36391 https://www.jianshu.com/p/f87be68977cb https://www.cnblogs.com/xiongzihua/p/9315183...
【杂记】YOLOv1至YOLOv8各版本发布时间及作者
卷子的博客
01-28 1万+
YOLOv6，2022.6.23，美团。YOLOX，2021.7.20，旷世。
Yolo目标检测系列时间汇总
PercentageC的博客
07-01 1774
时间标记
TX2安装Realsense -L515相机并在ros下 运行yolo 总结（2）
zhuyonggan的博客
08-11 1651
7 安装darknet——ros版本 接上回书说到，一把鼻涕一把泪终于安装好了新版本的realsense2和ros等等模块，终于来到了山顶，开始盖房子了。 这里给出两个链接，是两个版本的darknet——ros 1 https://github.com/leggedrobotics/darknet_rosyolo2-3多版本 2 https://github.com/tom13133/darknet_ros 这个就比较牛x了，包含了最新的yolov4版本，二者功能大致相似可以任均选用 安装步骤 首先创建
yolo11学习教程重点知识点总结 yolo模型架构解析 训练优化介绍
10-02
重点：介绍YOLO（You Only Look Once）系列的发展历程，从YOLOv1到YOLOv11的主要改进点。 内容：简述YOLOv11的实时目标检测能力、单阶段检测框架的特点，以及与其它目标检测算法（如Faster R-CNN、SSD）的对比。...
YOLO 算法系列总结对比 —— v1 - v3
hugegrunt的博客
05-12 5610
YOLO系列是一种快速的目标检测算法，其目的是在满足一定的精度要求下尽量做到轻量快捷。这使得它非常适合部署在对检测速度要求比较高的场合。比如说视频中的目标实时检测，自动驾驶目标检测等。本文介绍了一下YOLO各个版本的特点对比。
【YOLOv8/YOLOv7/YOLOv5/YOLOv4/Faster-rcnn系列算法改进NO.65】CVPR 2023 | 清华团队即插即用型网络架构—Slide-Transformer
m0_70388905的博客
04-14 2158
CVPR 2023 | 清华团队即插即用型网络架构—Slide-Transformer
YOLO系列最新综述从YOLOv1到YOLOv8【2023】
JH_joker的博客
10-03 6684
YOLO已成为机器人、无人驾驶汽车和视频监控应用的核心实时目标检测系统。我们对YOLO的发展进行了全面的分析，检查了从最初的YOLO到YOLOv8、YOLO-NAS和YOLO with Transformers的每次迭代中的创新和贡献。我们首先描述标准指标和后处理;然后，我们讨论了网络架构的主要变化和每个模型的训练技巧。最后，我们总结了YOLO发展的重要经验教训，并对其未来发展进行了展望，强调了增强实时目标检测系统的潜在研究方向。
【深度学习】YOLO检测器家族所有版本（2024最新汇总、详细介绍）
weixin_44606353的博客
03-28 9283
YOLO检测器的发展历程展示了计算机视觉领域在实时对象检测方面的快速进步。从YOLOv1到YOLOv5，我们看到了速度和准确性的不断提升，以及对不同应用场景的适应性。随着技术的不断发展，我们期待YOLO检测器在未来能够带来更多的创新和突破。
YOLO系列概述
m0_61141741的博客
11-19 511
YOLO系列主要版本改进概述
AI目标检测之YOLO发家史
futuregislab的博客
02-07 2987
目标检测广泛应用于城市安防、自动驾驶、遥感解译等领域，基于深度学习的目标检测方法经过近十年的发展已经相当成熟。近年来，单阶段目标检测YOLO系列架构在众多方法中脱颖而出，有成为主流的趋势，本文对AI目标检测总体发展脉络进行简要梳理，见证YOLO的发家史。
【yolov8系列】yolov8的目标检测、实例分割、关节点估计的原理解析
热门推荐
magic_ll的博客
10-17 2万+
对前两者进行解析可得到，有效的gridceil预测出了目标的类别 和 目标的box，此时可以很容易获取该gridceil中的目标的mask_coef，维度为32，刚好与Proto输出的channel维度32相一致。不同mask为网络学习到不同的掩码信息，值得注意的是单张mask并不意味着mask中只有一个目标的mask。2 仅保留该gridceil检测出的box内的mask，然后再对mask框内的mask的每个像素进行阈值过滤（工程中阈值设为0.5），即得到该目标的最终的mask。
[Intensive Reading]目标检测(object detection)系列（五）YOLO：目标检测的另一种打开方式
zhangxu
08-09 3311
从时间轴上看，YOLO（YOLO v1）的提出在R-CNN，SPP-Net，Fast R-CNN和Faster R-CNN之后，论文题目是《You Only Look Once: Unified, Real-Time Object Detection》，从某种意义上说，YOLO的提出，从另一各方面定义了基于CNN的目标检测任务的基本方法。 --------------------- 版权声明：本文为优快云博主「chaibubble」的原创文章，遵循CC 4.0 by-sa版权协议，转载请附上原文出处链接
从V1到V4,让你读懂YOLO原理——深度AI科普团队
小白不白
08-02 1万+
YOLO系列是目前主流的目标检测算法，其 检测目标位置和对目标物体进行分类这两步同时进行，极大加快了其检测速度，这里我介绍了yolov1到yolov4的大体知识概述，让你初步了解其原理。代码及代码解读会在之后的博客中给出，
One-stage目标检测里程碑算法之SSD、YOLO系列、RetinaNet等
迷路的咸鱼的博客
06-14 4486
  相较于two-stage detectors ，one-stage detectors不需要提取region proposal的阶段，直接预测物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果，因此有着更快的检测速度。本篇博客将逐步按照YOLO→SSD→RetinaNet→YOLOv2→YOLOv3→YOLOv4的顺序，依次整理one-stage目标检测算法的改进点。除此之外，one-stage的anchor-free目标检测器在不断发展，包括CornerNet、ExtremeNet、F
yolo系列改进总结
03-14
### YOLO系列算法改进点与总结 #### YOLOv3 到 YOLOv4 的改进点 YOLOv4 是在 YOLOv3 基础上的重要升级版本，不仅引入了许多创新技术，还借鉴了其他论文中的优秀技巧 (tricks)，从而提升了模型性能。以下是具体改进点： 1. **Backbone 升级**: YOLOv3 使用 Darknet-53 作为骨干网络，而 YOLOv4 引入了 CSPDarknet-53[^2]。这种架构通过将特征映射划分为两个部分并利用跨阶段层次结构进行合并，有效降低了计算复杂度，同时保持甚至提高了准确性。 2. **Bag of Free Tricks**: YOLOv4 应用了多种无需额外计算成本的技术来提升性能，例如： - Mish 激活函数替代 Leaky ReLU[^1]。 - DropBlock 正则化方法减少过拟合。 3. **Bag of Special Tricks**: 这些技巧虽然会增加一定的计算开销，但能显著提高精度，包括： - 自适应锚框机制优化检测框预测。 - CIoU Loss 替代传统的 IoU 或 GIoU 损失函数，加速收敛过程。 - SAM 和 PANet 结构增强多尺度特征融合能力。 #### YOLOv4 到 YOLOv5 的改进点 相比 YOLOv4，YOLOv5 更加注重工程实现和实际应用效果，主要体现在以下几个方面： 1. **模块化设计**: YOLOv5 将整个框架拆解成多个独立组件，便于开发者快速调整参数或替换子模块以适配特定场景需求。 2. **自动化工具链支持**: 提供了一套完整的训练、验证及部署流程脚本，极大简化了使用者的操作难度。 3. **高效数据预处理策略**: 集成了 Mosaic 数据增强方式以及自定义输入尺寸调节功能，有助于改善小物体识别能力和泛化性能。 4. **轻量化探索**: 推出了不同规模的变体（如 S/M/L/X），满足嵌入式设备到高性能服务器之间的多样化硬件资源约束条件下的实时推理需求。 #### 总结与分析 通过对上述三个版本演进路径的研究可以看出，从 YOLOv3 开始逐步向更高效的特征提取方向迈进；至 YOLOv4，则更多依赖于现有研究成果积累并通过组合各种先进 trick 达到最佳平衡状态；最后发展到 YOLOv5，更加侧重易用性和灵活性方面的考量[^3]。 尽管如此，仍需注意每一代产品都有各自适用范围及其局限性所在——比如当面对极端分辨率变化或者极度稀疏分布的目标类别时可能表现不佳等问题待解决。 ```python # 示例代码展示Mish激活函数实现 import torch import torch.nn as nn class Mish(nn.Module): def __init__(self): super(Mish, self).__init__() def forward(self, x): return x * (torch.tanh(torch.nn.functional.softplus(x))) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值