[深度学习入门]Yolo系列

最新推荐文章于 2025-03-30 22:40:55 发布
最新推荐文章于 2025-03-30 22:40:55 发布
阅读量7.9k 收藏 24
点赞数 2
分类专栏： 深度学习 文章标签： 深度学习
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。
本文链接：https://blog.youkuaiyun.com/Guycynnnnn/article/details/124123698
版权
这篇博客介绍了YOLO系列的发展，从YOLOv1到YOLOv3的优化方法，包括DarkNet53网络结构、多尺度预测和 Anchor 的设计。YOLOv3通过多尺度输出提升了小物体检测精度，同时保持了较高的推理速度，适合实时应用。在PaddleDetection中，YOLOv3模型的一键式训练、预测和评估功能也得到了详细阐述。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

单阶段YOLO系列模型：

一、YOLO发展史

单阶段模型：YOLO, SSD, Retina-Net

两阶段模型：RCNN, SPPNet

yolo系列：精度并不是最高的，但推理运行速度高

FPS：帧/s

精度、速度性价比高

1、YOLOv1

将目标检测当作一个单一的回归任务

  • 将图片分成s*s个网格

  • 物体中心点落在哪个网格上，就由该网格对应锚框负责检测该物体

2、YOLOv2

  • 优化方法

骨干网络：224*224 -> 448 *448 ，DarkNet19

全卷积网络结构：Conv+Batch Norm

Kmeans聚类Anchor

多尺度训练

  • 优化效果

推理速度由40FPS到67FPS

  • 待改进点

小目标召回率不高

靠近的群体目标检测效果不好

检测精度需要进一步优化

3、YOLOv3

  • 优化方法

骨干网络：DarkNet53

多尺度预测，跨尺度特征融合

COCO数据集聚类9种不同尺度的Anchor,每个尺度三个

  • 优化效果

COCO数据集精度33.0

推理速度高于SSD 3倍

推理速度高于RetinaNet 3.8倍

  • 待改进的点

召回率相对较低

定位精度优化

靠近群体目标检测效果差

整体网络构造：

 

首先输入图片，然后Darknet53特征提取，其中经过五次下采样，还使用了残差结构，目的是使网络结构在很深的情况下，仍能收敛并继续训练下去。

然后经过DBL特征提取得到第一个尺度特征图:然后接着用DBL后特征图上采样后与倒数第二次下采样的结果相加，得到第二个尺度特征图; 最后的特征图上采样后与倒数第三次下采样的特征图相加得到第三个尺度的特征图;

总的来说会输出3个不同尺度的特征图，每个尺度的特征图负责预测不同大小的目标。

最低0.47元/天 解锁文章
【YOLO系列】YOLOv5超详细解读（源码详解＋入门实践＋改进）
路人贾的博客
03-03 20万+
一文带你详细了解YOLOv5（含YOLO系列论文讲解+源码详解+入门实践+算法改进）
基于深度学习的布匹缺陷检测系统：YOLO系列模型与UI实现
m0_52343631的博客
03-23 428
本项目的目标是基于深度学习的YOLO系列模型实现布匹缺陷的检测系统。数据收集与准备：采集并准备布匹缺陷数据集。YOLO模型的选择与训练：使用YOLOv5、YOLOv6、YOLOv7或YOLOv8进行模型训练，选择最合适的版本。UI界面的设计与实现：开发一个简单的用户界面，支持图像上传、缺陷检测与结果展示。结果可视化与保存：展示检测结果，并支持保存结果图像。本文详细介绍了如何使用YOLO系列深度学习模型（YOLOv5、YOLOv6、YOLOv7、YOLOv8）构建一个布匹缺陷检测系统。
【深度学习】YOLO
weixin_41724761的博客
03-18 497
1、简述下YOLO算法原理？ 答：Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测，模型参考自GoogleNet，YOLO的CNN网络将输入的图片分割成SxS的网络，然后每个单元格负责去检测那些中心点落在该格子内的目标。每个单元格会预测B个边界框（bounding box）以及边界框的置信度（confidence score）。所谓置信度其实包含两个方面，一是这个边界框含有目...
《深度学习》 了解YOLO基本知识
wx_AHao1004Y的博客
10-22 3742
YOLO（You Only Look Once）是一种基于深度学习的目标检测算法，由Joseph Redmon等人于2016年提出。它的核心思想是将目标检测问题转化为一个回归问题，通过一个神经网络直接预测目标的类别和位置，例如下图所示。YOLO算法将输入图像分成SxS个网格，每个网格负责预测该网格内是否存在目标以及目标的类别和位置信息。此外，YOLO算法还采用了多尺度特征融合的技术，使得算法能够在不同尺度下对目标进行检测。关于不同尺度：例如在ResNet残差网络。
《深度学习》——YOLOv5详解
最新发布
will be blogging
03-30 2141
YOLOv5 是一种目标检测算法，属于 YOLO（You Only Look Once）系列的第5代版本。YOLOv5 是一个广泛使用的目标检测算法，它基于 YOLO（You Only Look Once）系列的思想，具有速度快、精度高的特点。它和YOLOv4的区别是v4是属于学术上的，而v5增加了工程上的使用。它在目标检测领域有着重要地位，结合了许多先进的技术，在速度和精度上取得了较好的平衡。主要特点。
【YOLO】深度学习-物体检测-YOLO系列（网易云课程笔记）
qq_44703886的博客
03-01 2794
YOLO系列概述
深度学习 & YOLO
seiyaaa的专栏
03-28 306
Our system divides the input image into an S x S grid.If the center of an object falls into a grid cell, that grid cell is responsible for detecting that object. https://www.bilibili.com/video/BV1FT4y1E74V?p=1 yolov1 没有anchor，每个格子只能检测单个目标 从v2开始引入a..
YOLO详解
天然然的博客
03-02 654
yolo系列整理 版本 作者主页 程序 论文 yoloV1 点击打开 点击打开 点击打开 yoloV2 点击打开 点击打开 点击打开 yoloV3 点击打开 点击打开 点击打开 改进 V2 VS V1: 增加BN层： 解决问题：每层的输入分布一直在改变，训练难度增加； 采取措施：在...
计算机视觉领域中YOLO系列模型的实战指南-从入门到自定义数据集训练
03-17
使用场景及目标：对于想要快速入门YOLO算法的学习者来说非常合适；同时帮助有一定经验的从业者了解如何构建高效的实时对象识别系统，应用于安防监控、自动驾驶等领域。 阅读建议：由于YOLO算法的多样性和复杂性，...
什么是系列——深度学习入门
01-18
神经网络是深度学习的基础，由一系列相互连接的节点（或称为神经元）组成，模拟大脑的神经元网络。这些节点通过权重进行连接，用于处理和传递信息，实现对复杂模式的识别。 “什么是卷积神经网络 (CNN, 深度学习)”...
yolo 深度学习_深度学习-目标检测（Yolo 2）
weixin_39827506的博客
12-22 553
概述时隔一年，YOLO(You Only Look Once: Unified, Real-Time Object Detection)从v1版本进化到了v2版本，作者在darknet主页先行一步放出源代码，论文在我们等候之下终于在12月25日发布出来，本文对论文重要部分进行了翻译理解工作，不一定完全对，如有疑问，欢迎讨论。博主如果有新的理解，也会更新文章。新的YOLO版本论文全名叫“YOLO90...
深度学习之目标检测yolo系列
qq_52057773的博客
06-21 1963
是指bounding box的预测框的中心坐标相较于该bounding box归属的grid cell左上角的偏移量，在0-1之间。在上图中，绿色虚线框代表grid cell，绿点表示该grid cell的左上角坐标，为（0，0）；红色和蓝色框代表该grid cell包含的两个bounding box，红点和蓝点表示这两个bounding box的中心坐标。有一点很重要，bounding box的中心坐标一定在该grid cell内部，因此，红点和蓝点的坐标可以归一化在0-1之间。
深度学习——YOLO模型的原理与实战
庄小焱
12-03 6170
YOLO模型的原理与实战 YOLO网络结构 YOLO的网络结构是：GoogleNet + 4个卷积+2个全连接层 YOLO的原理 1、原始图片resize到448x448，经过前面卷积网络之后，将图片输出成了一个7*7*30的结构以图示的方式演示 2、默认7*7个单元格，这里用3*3的单元格图演示 单元格(grid cell) 最后网络输出的7730的特征图怎么理解?7*7=49个像素值，理解成49个单元格每个单元格可以代表原图的一个方块。单元格需要做的两件事: 1.每个单元格负责
YOLO系列详解：YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5、YOLOv6、YOLOv7
热门推荐
qq_40716944的博客
03-22 17万+
一、前言 YOLO系列是one-stage且是基于深度学习的回归方法，而R-CNN、Fast-RCNN、Faster-RCNN等是two-stage且是基于深度学习的分类方法。 YOLO官网：https://github.com/pjreddie/darknet 1.1 YOLO vs Faster R-CNN 1、统一网络：YOLO没有显示求取region proposal的过程。Faster R-CNN中尽管RPN与fast rcnn共享卷积层，但是在模型训练过程中，需要反复训练RPN网络和fa
深度学习-物体检测YOLO(You only look once)
m0_73426548的博客
09-11 3188
置信度指的是边界框含有目标的可能性大小（object）和边界框的准确度（IOUtruthpred），准确度是用预测框与实际框的loU(交并比)计算的。每个边界框的大小和位置使用4个值来表示：(x,y,w,h)，x，y是边界框的中心坐标，而w和h是边界框的宽和高。最后，预测网络进行分类和回归等任务。在两阶段目标检测方法中，分类和回归通常采用全连接的方式，而在单阶段的方法中，分类和回归等通常采用全卷积的方式。从所以的检测框中找到置信度最大的那个框，然后和其他的框计算IOU，如果计算的值小于某一个阈值，就剔除。
深度学习之学习（3-3）YOLOV2
light169的专栏
03-07 3932
参见：【目标检测论文阅读】YOLOv2 - 知乎 二、更快更准：YOLOv2 2.1 简介 2017年，作者 Joseph Redmon 和 Ali Farhadi 在 YOLOv1 的基础上，进行了大量改进，提出了 YOLOv2 和 YOLO9000。重点解决YOLOv1召回率和定位精度方面的不足。 YOLOv2 是一个先进的目标检测算法，比其它的检测器检测速度更快。除此之外，该网络可以适应多种尺寸的图片输入，并且能在检测精度和速度之间进行很好的权衡。 相比于YOLOv1是利用全连接层直接预测B
【深度学习】目标检测算法 YOLO 最耐心细致的讲解
frank 的专栏
12-04 2万+
YOLO 是 2016 年提出来的目标检测算法，在当时比较优秀的目标检测算法有 R-CNN、Fast R-CNN 等等，但 YOLO 算法还是让人感到很新奇与兴奋。 YOLO 是 You only look once 几个单词的缩写，大意是你看一次就可以预测了，灵感就来自于我们人类自己，因为人看一张图片时，扫一眼就可以得知这张图片不同类型目标的位置。 YOLO 胜在它的简单与快速。 YOLO 是...
深度学习（目标检测）：YOLO网络学习笔记（YOLO v1，YOLO v2和 YOLO v3）
hanmo22357的博客
04-04 1975
30可以拆分为20和10：20表示属于20个类别对应的概率，10表示两个目标检测框各自的(x,y,w,h,c)，其中的c表示置信度。假设每个网格的像素为S×S，每个网格分配的目标检测框个数为B，需要进行的多分类类别数为C，那么网络最终的预测结果为(S。之所以YOLO v1的输入大小不能改变，是因为网络结构中有全连接层的存在，这一点在后续的版本中有相应的改进。：对于每一个网格，需要预测出两组值，是指该网格对应的检测框的中心坐标(x,y)，以及检测框的长宽数据，同时还需要一个置信度。在上面的例子中，我们使用。
YOLO系列
qq_36717487的博客
05-02 191
YOLO系列： one-stage: 最核心的优势速度会非常快，适合做实时监测任务。缺点：效果通常情况下不会太好。 two-stage: 速度通常很慢，但是效果还是很不错的。
评论 3
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