YOLOV3和SSD

肆十二 肆十二 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1k累计阅读 1.1k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄9年
关注
原创 最新推荐文章于 2026-05-21 11:23:52 发布 1k 阅读 AI 写同款· GEO 优化 ›
faster-rcnn、yolov3和ssd loss总结 faster-rcnn faster-rcnn loss主要分为两个部分RPN的loss和fast-rcnn部分的loss： 1.rpn loss 分为两个部分，其中cls就是BCE loss，而reg用的是smooth L1 loss 为什么使用这种loss，文章中的说法是对异常点更加鲁棒，x大于1之后，梯度都是常量了。这边要注意的就是，他并不是对(x,y,w,h)原值进行回归，... 阅读详情

yolov3和ssd的对比
pytorch中设备之间的相互转换

收录于
目标检测

当前文章被收录于：

目标检测
9 篇文章 14 人学习
订阅专栏 查看详情
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。
faster-rcnn, yolov3,ssd之间anchor的异同 目标检测anchor Anchor机制是目前主流的基于深度学习的目标检测算法的重要基石。目前的最先进的检测器都是使用的密集的anchor模式，即在图片上均匀放置好一组定义好形状和大小的anchor。anchor的设计一般有两个要求：1.alignment，为了用卷积特征作为anchor的表示，anchor的中心需要和特征图的像素中心比较好地对齐；2.consistency，不同位置对应的ancho... 阅读详情

相关推荐

onnxruntime加载onnx格式目标检测模型（SSD，YOLOv3-tiny）

onnx官方提供了onnx格式的模型，下载地址：https://github.com/onnx/models/tree/master/vision/object_detection_segmentation/ssd 下载后使用netron查看该模型，如下图所示： 程序 import numpy as np # we're going to use numpy to process input and output data import onnxruntime # to inference O

ouening的博客 8100

Yolov3和SSD的区别

SSD的loss中，不同类别的分类器是softmax，最终检测目标的类别只能是一类。而在yolo-v3中，例如对于80类的coco数据集，对于类别进行判断是80个logistic分类器，只要输出大于设置的阈值，则都是物体的类别，物体同时可以属于多类，例如一个物体同时是person和woman。 Backbone network。ssd原版的基础网络就是VGG19，也可以用mobile-net、resnet等。yolo-v3的基础网络是作者自己设计的darknet-53（因为具有53个卷积层），借鉴了res

具身机器人和通用AI 1519

海思NNIE开发（五）：基于Hi3559AV100的FasterRCNN、RFCN、SSD、Yolov2、Yolov3性能综合测评

系列文章 海思NNIE开发（一）：海思Hi3559AV100/Hi3519AV100 NNIE深度学习模块开发与调试记录 海思NNIE开发（二）：FasterRCNN在海思NNIE平台上的执行流程（一） 海思NNIE开发（三）：FasterRCNN在海思NNIE平台上的执行流程（二） 海思NNIE开发（四）:NNIE模块读入JPEG图片或视频 海思NNIE开发（五）：基于Hi3559AV...

夜风里唱的专栏 1万+

yolov3与SSD区别

参考自 https://github.com/lufficc/SSD https://github.com/eriklindernoren/PyTorch-YOLOv3 https://blog.csdn.net/BlowfishKing/article/details/80485006 https://zhuanlan.zhihu.com/p/63630903 1.对于特征的混合 首先看SSD的模型 class SSDDetector(nn.Module): def __init__(self,

u010848594的博客 2982

浅析目标检测入门算法：YOLOv1,SSD,YOLOv2,YOLOv3,CenterNet,EfficientDet,YOLOv4

本文致力于让读者对以下这些模型的创新点和设计思想有一个大体的认识，从而知晓YOLOv1到YOLOv4的发展源流和历史演进，进而对目标检测技术有更为宏观和深入的认知。本文讲解的模型包括：YOLOv1,SSD,YOLOv2,YOLOv3,CenterNet,EfficientDet,YOLOv4。

专注“目标检测”领域技术分享 5598

YOLOv1、YOLOv2、 YOLOv3、SSD DSSD 单阶段目标检测论文

YOLO是Joseph Redmon和Ali Farhadi等人于2015年提出的第一个基于单个神经网络的目标检测系统。Joseph Redmon和Ali Farhadi发表的YOLO 2进一步提高了检测的精度和速度。

基于图像的目标检测算法YOLO 和 SSD 的区别是什么？

YOLO：YOLO将输入图像划分为SxS个网格，并为每个网格预测B个边界框，以及每个边界框的物体类别和置信度。在每个特征图单元上，SSD预测边界框的相对偏移量和尺寸，并结合先验框的坐标和尺寸计算真实的边界框。然而，由于其使用多尺度特征图和较多的默认框，SSD在计算上可能比YOLO更昂贵。- SSD：SSD可以更好地检测各种大小的物体，因为它利用多尺度特征图来预测边界框。- YOLO：YOLO对小物体的检测性能较差，因为使用单一尺度的特征图限制了其捕捉不同大小物体的能力。

changjuanfang的专栏 5934

保姆级避坑指南：用Docker在Ubuntu 22.04上部署Isaac Sim 5.1.0，搞定宇树G1仿真环境

本文提供了一份详细的保姆级避坑指南，帮助用户在Ubuntu 22.04上通过Docker部署Isaac Sim 5.1.0，并成功搭建宇树G1仿真环境。文章涵盖了环境准备、Docker与NVIDIA容器工具包的配置、Isaac Sim镜像的定制化拉取与配置，以及宇树G1仿真环境的实战调试，旨在帮助开发者高效解决部署过程中的常见问题。

weixin_33728268的博客 207

实战深度学习目标检测：RCNN （5）

深度学习目标检测：SSD SSD: Single Shot MultiBox Detector 目标检测近年来已经取得了很重要的进展，主流的算法主要分为两个类型（参考RefineDet）： （1）two-stage方法，如R-CNN系算法，其主要思路是先通过启发式方法（selective search）或者 CNN网络（RPN)产生一系列稀疏的候选框，然后对这些候选框进行分类与回归，two-stage方法的优势是准确度高； （2）one-stage方法，如Yolo和SSD，其主要思路是均匀地在图片的不同位置

leva的博客 488

遥感影像分割实战：LoveDA数据集从下载到训练全流程指南（附避坑技巧）

本文以LoveDA数据集为例，提供了一份详尽的遥感影像语义分割实战指南。内容涵盖从数据下载、理解与预处理，到环境配置、模型选择与训练，再到性能调优与部署的全流程，并重点分享了多个关键环节的避坑技巧，旨在帮助开发者和研究者高效上手并解决实际问题。

cherry的博客 930

第一次面试经历：集创北方数字IC前端面试（崩）总结

时间：2020年8月11日上午10点 公司：集创北方，做LED、LCD、OLED、AMOLED等显示器芯片的公司，应该主要是做显示驱动、图像处理、电源管理等这一块。 岗位：数字IC前端设计 城市：北京 形式：线上面试。感觉我俩是两个社畜，他说摄像头开不开都可以，我说那语音OK吗他说OK，于是直接语音问答。 项目经历：基于FPGA的车牌识别 & 先导存储器集成工艺开发（课题组） & 基于FPGA的贪吃蛇小游戏 反正是凉凉的，这时候准备还不足，前面都在复习项目没怎么刷过题。 过程如下： 自我介绍

coin的博客 6680

【深度学习进阶】02目标检测理论：一阶段方法YOLO v1-v3、SSD、RetinaNet、FCOS网络对比分析

目标检测任务中SSD、RetinaNet、YOLO v1算法的简要介绍

ShiTianlei的博客 3771

RPA实战-UiPath自动化处理Outlook邮件附件全流程解析

本文详细解析了如何使用UiPath实现Outlook邮件附件的自动化处理全流程，涵盖环境配置、核心流程实现、高级功能扩展及性能优化技巧。通过RPA技术，企业可大幅提升邮件附件处理效率，减少人工操作错误，适用于财务、物流等多个场景。

weixin_33701251的博客 428

ssd和yolov3的对比图

转载: https://blog.csdn.net/BlowfishKing/article/details/80485006 ...

ChengChengCheng的博客 9302

YooAsset 2.2.12四层加密架构：跨平台资源安全实战指南

AssetBundle加密是Unity热更新安全的核心环节，其本质是通过算法、密钥管理与生命周期协同实现资源全链路防护。传统方案常陷于‘打包后加密’的误区，导致内存开销大、跨平台兼容差、逆向防护弱。YooAsset 2.2.12提出打包层、传输层、加载层、运行层四层防护架构，将加密前置到资源序列化前，并依托BundleHeader实现动态算法协商与密钥分发，显著提升iOS/Android/WebGL三端一致性。该方案兼顾AES-128等通用算法与SM4等国密支持，同时通过IMemoryDecryptor实现

weixin_32428571的博客 416

Qt —— QWebEngineView加载谷歌离线地图（包含离线地图瓦片下载制作、附谷歌地图开发文档）

  关注 微信公众号搜索"Qt_io_"或"Qt开发者中心"了解更多关于Qt、C++开发知识.。 笔者 - jxd

1万+

yolov3和ssd的区别

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。 ...

weixin_30371875的博客 347

深度学习实战107-基于Qwen3+GraphRAG+Agent的智能文档管理系统：精准问答与决策支持

在当今信息爆炸的时代，企业面临海量文档的管理与利用挑战。传统文档管理系统虽然提供了存储和检索功能，但缺乏对文档内容的深度理解与分析能力，更难以实现基于知识的决策支持。基于多模态大模型Qwen3、GraphRAG技术与Agent框架构建的智能文档管理系统，能够突破传统限制，实现文档内容的精准解析、知识图谱的自动构建、复杂关系的推理分析以及决策建议的生成，为企业知识管理带来革命性变革。

微学AI的博客 866

yolov3与yolov4效果对比_yolov3总结/代码/SSD对比

以前看过yolov系列算法，看完v1至v3版的后发现，噫...yolov3怎么这么像SSD，不过一直没有仔细对比对yolo和SSD，最后也快忘记了yolo到底涨啥样...最近又重新较为仔细的回顾了yolo3算法并研究了相关代码，所以决定好好记录下yolo3并和SSD比较下，因为两者确实很像，但一些细节却不相同。那么先开始讲讲yolo3吧，yolo1,yolo2就不说了。网络结构其主干网络是dark...

weixin_39674190的博客 2362

基于Matlab的轨迹分析行为识别

本文将介绍基于Matlab的轨迹分析行为识别方法，并提供相应的源代码。在轨迹特征提取完成后，我们需要通过对于某一时间窗口内的轨迹特征进行聚合和分析，得到相应的行为特征。轨迹分析作为一种简单有效的行为识别方法，在实际应用中得到了广泛的应用。本文介绍了一种基于Matlab的轨迹分析行为识别方法，并提供相应的源代码作为参考。轨迹分析是指对于一定时间内某个对象在空间中运动的路径进行跟踪和分析的方法。在行为识别中，我们可以通过对于轨迹进行特征提取和分析，进而得到该对象的运动模式和行为特征。二、轨迹分析行为识别流程。

DevProPlus的博客 885

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

ssd网络结构_yolov3总结/代码/SSD对比

以前看过yolov系列算法，看完v1至v3版的后发现，噫...yolov3怎么这么像SSD，不过一直没有仔细对比对yolo和SSD，最后也快忘记了yolo到底涨啥样...最近又重新较为仔细的回顾了yolo3算法并研究了相关代码，所以决定好好记录下yolo3并和SSD比较下，因为两者确实很像，但一些细节却不相同。那么先开始讲讲yolo3吧，yolo1,yolo2就不说了。网络结构先放两张yolo3的...

weixin_39842918的博客 733

efm32 入门.pdf

本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。

OpenCV加载onnx模型实现SSD,YOLOV3,YOLOV5的推理

OpenCV加载onnx模型实现SSD,YOLOV3,YOLOV5的推理

QQ哥的专栏 3353

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！

YOLOV1 V2 V3 SSD 笔记

YOLOV1 https://blog.csdn.net/hrsstudy/article/details/70305791 检测网络包括24个卷积层和2个全连接层 优点： 1、YOLO检测物体非常快。 因为没有复杂的检测流程，只需要将图像输入到神经网络就可以得到检测结果，YOLO可以非常快的完成物体检测任务。标准版本的YOLO在Titan X 的 GPU 上能达到45 FPS。更快的F...

qq_41732387的博客 432

DL | YOLOv3+Faster R-CNN+SSD训练和测试自己的数据

首先制作自己的数据集—VOC2007数据集制作，接下来就可以开始搞事情了… 一：YOLOv3相关 官网： YOLO: Real-Time Object Detection 进化之路： YOLO v1,YOLO v2,YOLO9000算法总结与源码解析 系统学习深度学习（三十二）–YOLO v1,v2,v3 原理部分： 目标检测网络之 YOLOv3 YOLOv3 资源合集 yolo3源码分析 YOL...

lovetaozibaby的博客 536

yolov3 SSD 生成detection truth

基本上都是在test检测文件中 SSD-tensorflow中的修改 ymin = int(bboxes[i, 0] * height) xmin = int(bboxes[i, 1] * width) ymax = int(bboxes[i, 2] * height) xmax = int(bboxes[i, 3] *...

qq_28013751的博客 403

几个目标检测loss对比：faster rcnn、ssd、yolov1、yolov2、yolov3的loss

目标检测loss 一、faster rcnn： 分为RPN和Fast rcnn两个部分，每个部分再分为分类和回归损失： RPN损失：L({pi},{ti})=1Ncls∑iLcls(pi,pi∗)+λ1Nreg∑ipi∗Lreg(ti,ti∗)\begin{aligned} L\left(\left\{p_{i}\right\},\left\{t_{i}\right\}\right)=\fra...

qq_33278461的博客 3105
上一篇： intel cpu后面的k、kf、f有什么区别?
下一篇： 使用Cmake-GUI在windows环境下编译yolov4
点赞 0
评论 0
书签 书签 2
肆十二
肆十二 优质创作者: 人工智能技术领域 优质创作者: 人工智能技术领域
博客等级 码龄9年 2万+粉丝 241原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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

打赏作者

肆十二

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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