yolo系列——目标检测基本概念

目标检测算法:RCNN、YOLO vs DPM 文章总结了计算机视觉中目标检测领域的常见方法,包括人工特征的DPM方法和深度学习的RCNN系列、YOLO等。 目标检测(object detection)简单说就是框选出目标,并预测出类别的一个任务。它是一种基于目标几何和统计特征的图像分割,将目标的分割和识别合二为一,其准确性和实时性是整个系统的一项重要能力。尤其是在复杂场景中,需要对多个目标进行实时处理时,目标自动提取和识别就显得特别重要[1]。 随着计算机技术的发展和计算机视觉原理的广泛应用,利用计算机图像处理技术对目标进行实时跟踪研究越来越热门,对目 阅读详情

一、目标检测概述

什么是目标检测?

目标检测就是框出图片中用户感兴趣的物体,并且预测物体类别
一般做法是利用滑动窗口(Sliding Wondow)

滑动窗口(Sliding Wondow)

  1. 设定一个固定大小的窗口
  2. 遍历图像中所有位置,所到之处用分类模型识别窗口中的内容
  3. 为了检测不同大小、不同形状的物体,可以使用不同大小、长宽比的窗口扫描图片
    缺点:滑动窗口的计算成本太大

改进思路1

使用启发式算法替换窗口遍历

例如 R-CNN,Fast R-CNN 中使用 Selective Search 产生候选区域 (找出有可能存在物体的区域)依赖外部算法,相比于滑动窗口,减少了计算成本且保证了召回率。

改进思路2

减少冗余计算,使用卷积网络实现密集预测目前普遍采用的方式

用卷积一次性计算所有特征,再取出对应位置的特征完成分类。

基础知识和术语

框、边界框(Bounding Box)

框泛指图像上的矩形框,边界横平竖直
描述一个框需要 4 个像素值:
• 方式1:左上右下边界坐标 𝑙,𝑡, 𝑟, 𝑏
• 方式2:中心坐标和框的长宽 𝑥, 𝑦, 𝑤, ℎ
边界框通常指紧密包围感兴趣物体的框
检测任务要求为图中出现的每个物体预测一个边界框

以下这些概念都指某种框,用在不同的上下文中
  1. 区域(Region):框的同义词
  2. 区域提议(Region Proposal,Proposal):
    指算法预测的可能包含物体的框,某种识别能力不强的算法的初步预测结果
  3. 感兴趣区域(Region of Interest,RoI):
    当我们谈论需要进一步检测这个框中是否有物体时,通常称框为感兴趣区域
  4. 锚框(Anchor Box,Anchor):
    图中预设的一系列基准框,类似滑窗,一些检测算法会基于锚框预测边界框
交并比 ( Intersection Over Union,IOU)

交并比(IoU)定义为两矩形框交集面积与并集面积之比,是矩形框重合程度的衡量指标。

二、评价指标概述

2. TP、FP、TN、FN

2.1 混淆矩阵

提到TP、FP、TN、FN,首先介绍以下混淆矩阵。
混淆矩阵也称误差矩阵,是表示精度评价的一种标准格式,用nnn行nnn列的矩阵形式来表示。
混淆矩阵的每一列代表了预测类别,每一列的总数表示预测为该类别的数据的数目;每一行代表了数据的真实归属类别,每一行的数据总数表示该类别的数据实例的数目。
例如:

表1. 多类别混淆矩阵
prediction
Category 1Category 2Background
ground truthCategory 1801010
Category 2107020
Background555
如表1所示:

其中,第一行第一列的80表示原本属于类1,且预测为类1的数量为80。
第二行第一列的10表示原本属于类2,且预测为类1的数量为10。
第三行第一列的5表示原本属于背景,且预测为类1的数量为5。
其余数目同理。

第一行总数80+10+10=100,表示全部原本属于类1的数目是100。
第一列总数80+10+5=95,表示全部预测为类1的数目为95。
其余数目同理。

2.2 结合混淆矩阵理解TP、FP、TN、FN

经过混淆矩阵的理解,引出TP、FP、TN、FN的定义:

  • TP(True Positive): 真正例,表示预测为正例(positive),且预测正确(true),即原本为正例。
  • FN(False Negative): 假反例,表示预测结果为反例(negative),且预测错误(false),即原本为正例。
  • FP(False Positive): 假正例,表示预测结果为正例(positive),且预测错误(false),即原本为反例。
  • TN(true Negative): 真反例,表示预测结果为反例(negative),且预测正确(true),即原本为反例。(注:用不到这个)

个人记忆的方法是,后面的字母表示预测的结果,前面的字母表示预测的正确与否。

表2. 混淆矩阵
prediction
正例反例
ground truth正例TP(真正例)FN(假反例)
反例FP(假正例)TN(真反例)

2.3 常用指标

2.3.1 精准率(Precision):

P=TPTP+FPP=\frac{TP}{TP+FP}P=TP+FPTP​
精准率(Precision)又叫查准率,它是针对预测结果而言的,它的含义是在所有被预测为正的样本中实际为正的样本的概率,意思就是在预测为正样本的结果中,我们有多少把握可以预测正确。

2.3.2 召回率(Recall):

R=TPTP+FNR=\frac{TP}{TP+FN}R=TP+FNTP​
召回率(Recall)又叫查全率,它是针对原样本而言的,它的含义是在实际为正的样本中被预测为正样本的概率。

2.3.3 漏杀:

漏杀率=FNTP+FP=1−P漏杀率=\frac{FN}{TP+FP}=1-P漏杀率=TP+FPFN​=1−P

漏杀率的评估方式是假反例除以总样本数。

2.3.4 过杀:

过杀率=FPTP+FP过杀率=\frac{FP}{TP+FP}过杀率=TP+FPFP​

过杀率的评估方式是假正例除以总样本数。

论文翻译:Automatic Lesson Plan Generation via Large Language Models with Self-critique Prompting 在本文中,我们利用大型语言模型(LLMs)的理解和生成能力来自动生成定制化的课程计划。这解决了传统计划可能无法充分满足不同教学环境和学生群体的特定需求的常见挑战。我们提出了一个新颖的三阶段过程,包括使用检索增强生成(RAG)逐步生成课程计划的每个关键组成部分,通过LLMs进行自我批评,以及随后的细化。我们使用这种方法为小学2至5年级生成了涵盖80多个主题的数学课程计划。邀请了三位经验丰富的教育工作者制定全面的课程计划评估标准,然后使用这些标准将我们的LLM生成的课程计划与同一主题的实际课程计划进行基准比较。 阅读详情

相关推荐

Anaconda离线创建python环境

既然是离线创建python环境,就需要有一个已经创建好的python环境。所以我们有两台win10的机器,分别是A和B。两台机器都安装了anaconda。其中A可以连网,因此我们在A上创建好一个python2.7的环境py27,然后将py27移植(安装)到B上。B连不连网都无所谓。 一、机器上A上创建python2.7的环境py27 有两种方法: 方法1:使用Anaconda的图形界面。首先,点击Environments->Create,然后输入要创建的环境名称"py27",然后选择2.7,如图

FY_2018的博客 6787

YOLOV8可视化并统计每张图的TP,FP,FN,检测准确率、误检率、漏检统计

YOLOV8可视化-可视化并统计每张图的TP,FP,FN,检测准确率、误检率、漏检统计

p13672294967的博客 6161

保姆级教程:用CANoe的LIN Slave Conformance Tester搞定一致性测试(附LDF配置避坑点)

本文详细介绍了如何使用CANoe的LIN Slave Conformance Tester进行汽车电子LIN从节点一致性测试,包括测试环境搭建、LDF文件配置、多通道测试技巧及常见问题解决方案。通过实战案例和高级配置技巧,帮助工程师高效完成测试任务,确保LIN总线通信的可靠性。

weixin_30385925的博客 528

【目标检测】评价指标:混淆矩阵概念及其代码实现(yolo源码)

本篇文章首先介绍目标检测任务中的评价指标混淆矩阵的概念,然后介绍其在yolo源码中的实现方法。

chu-xia的博客 6404

解决Word中英文混排的5个常见排版问题(含单词换行、间距调整等)

本文详细解析Word中英文混排的5大常见排版问题,包括单词换行、间距调整、标点混用等,提供专业解决方案。通过设置段落格式、调整兼容性选项和使用字体组合等技巧,帮助用户轻松解决文档排版难题,提升专业性和阅读体验。

vim8coder的博客 1346

Oracle Primavera P6实战手册:从入门到精通的企业项目管理秘籍

本文详细介绍了Oracle Primavera P6在企业项目管理中的实战应用,从环境配置到高级进度控制技巧,帮助用户从入门到精通。通过WBS设计、资源优化和情景模拟等核心功能,提升项目管理效率。特别适合需要处理复杂项目和多团队协作的企业用户。

weixin_29235923的博客 257

yolo系列中的一些评价指标说明

yolo系列中的一些评价指标说明

qq_30150579的博客 5875

Power BI财销一体分析——KPI分析应用实践

第九步:插入三个散点图,行拖入分销商表分销商字段,将度量值中的销量拖入X轴,将利润拖入Y轴,大小拖入度量值总销售额,将分销商表业务类型字段作为筛选条件添加给散点图,分别选择专业自行车店、增值经销商、仓库,使视觉对象固定显示不同业务类型的散点分布。这个公式其实是不需要我们自己写的,依赖于快度量值功能星级评分,基值选择度量值总销售额,星数选择5,最低星值评分选择0,最高星级评分值选择100,点击添加,星级评分度量值就建立好了,接下来我们理解一下公式。好的,今天的讲解就到这里。

BI瓶子的博客 1556

YOLO难理解知识点整理(指标计算+损失计算+网络结构 持续更新)

YOLO难理解知识点整理(持续更新)

weixin_52514564的博客 1744

多任务统一框架:基于YOLO26实现检测+分割+姿态估计的一站式落地

工业视觉落地最头疼的就是多任务场景:比如快递智能分拣线,要同时检测快递类别、实例分割快递包装区域、检测快递面单的关键点用来扫码;再比如汽车零部件检测,要同时检测缺陷类别、分割缺陷区域、检测安装孔的关键点。原来的方案是部署三个独立的模型,不仅硬件成本高,多模型的结果同步也麻烦,延迟还高。上个月我给某快递分拣中心做升级,用YOLO26的多任务统一框架,一个模型同时完成检测、实例分割、关键点检测三个任务,硬件成本直接降了一半,端到端延迟从120ms降到45ms,三个任务的精度还都比原来的单任务模型高了1-2%

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 829

2025华为OD机试真题最新题库 (B+C+D+E+2025A+2025B卷) + 在线OJ在线刷题使用(C++、Java、Python C语言 JS合集)(正在更新2025B卷,目前已收录710道)

2024年,华为目前已经启用D卷,目前D卷和C卷的题目一样一次订阅永久阅读,支持在线刷题,持续更新,有问题随时解答,本专栏题目数量已收录到484道。每篇文章的思路分析都非常详细,题目新增图解思路,问题解疑,多样例测试,超过百字的思路参考解析。

KJ.JK 11万+

yolo系列的统一学习

yolo系列的统一学习

qq_61339815的博客 466

MIC:最大信息系数

目录 1. 概念 1.1 MIC 1.2 互信息 2.MIC的优点 3. 算法原理 3.1 MIC公式原理 3.2MIC计算步骤 (1)计算最大互信息值 (2)对最大的互信息值进行归一化 (3)选择不同尺度下互信息的最大值作为MIC值 4. 代码实现 6. 其他方法 1. 概念 1.1 MIC MIC,即(Maximal Information...

满腹的小不甘 5万+

关于目标检测项目传统方法再到YOLO-V1、YOLO-V2详细介绍

本文对目标检测技术进行了综述。首先介绍了目标检测的基本概念和面临的问题,接着阐述了常用的数据集以及Ground Truth的不同格式。然后详细讨论了目标检测的评估指标,包括IoU、准确率、召回率等。还描述了传统的目标检测方法及其局限性,重点介绍了深度学习方法中的anchor box、anchor-base和anchor-free概念,以及two stage和one stage算法流程。最后深入剖析了YOLO系列算法,包括YOLO-V1以及YOLO-V2。

weixin_69683009的博客 1958

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

《目标检测方法概述》PDF资源介绍

《目标检测方法概述》PDF资源介绍 去发现同类优质开源项目:https://gitcode.com/ 资源简介 本资源为一份系统的目标检测方法概述PPT,旨在帮助读者从基础知识到先进算法,全面了解目标检测领域。该PPT详细介绍了从对目标检测的基本认识到two-stage的R-CNN系列算法,再到one-stage的YOLO、SSD网络,最后对各种方法进行了对比分析,并附上了相关参考论文。 内容概述...

gitblog_06773的博客 404

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

目标检测(Object Detection)

文章目录目标检测(Object Detection)一、基本概念1. 什么是目标检测2. 目标检测的核心问题3. 目标检测算法分类1)Tow Stage2)One Stage4. 目标检测应用1)人脸检测2)行人检测3)车辆检测4)遥感检测二、目标检测原理1. 候选区域产生1)滑动窗口2)选择性搜索① 什么是选择性搜索② 选择搜索流程③ 选择搜索优点2. 数据表示3. 效果评估4. 非极大值抑制三、目标检测模型1. R-CNN系列1)R-CNN① 定义② 流程③ 效果④ 缺点2)Fast R-CNN① 定义

yegeli的博客 28万+

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

深度学习-09(目标检测:Object Detection)

目标检测(Object Detection) 一 、基本概念 1. 什么是目标检测 目标检测( Object Detection )的任务是找出图像中所有感兴趣的目标(物体) ,确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 计算机视觉中关于图像识别有四大类任务: ( 1 )分类.Classification :解决”是什么?”的问题,即给定一-张图片或一段视频判断里面包含什么类别

yegeli的博客 1万+

Yolo系列详解

零、图像基本概念 图像表示为二维的矩阵  灰阶图像 0-255,0表示黑色,255表示白色,其余表示灰色。 图像的坐标轴   彩色图像  注意:颜色信息对于任务有时候有用,有时候没用。 一、什么是目标检测 目标检测是计算机视觉中的经典的原子问题,即通过输入的图像来完成物体的检测,它需要解决两个问题: 物体在哪里 物体是什么 目标检测算法的传统实现 sift hog 等算法。这些算法的大致逻辑如下: 通过人定义的算法和规则提炼关键点。 通过人设计的算子和计算流程计算...

2万+

YOLO 系列目标检测算法入门:从 YOLO v1 开始理解 One-Stage 检测器

将目标检测问题转化为一个回归问题,通过单次前向传播即可完成对图像中所有目标的定位与分类。任务是否加权权重原因定位(x, y, w, h)是定位不准影响大无目标置信度是负样本过多有目标置信度 & 分类否1.0正样本已稀疏这种设计体现了 YOLO v1 在样本不平衡和多任务冲突下的工程智慧。

enlybbq的博客 788

YOLO目标检测学习笔记1

原理:同RNN的滑动窗口方法不同,yolo系列采用检测物体中心(通过将图像分割成为边长的平方个框框并且通过每个框框得到坐标和置信度判断出类别选取置信度最高的框作为中心)并根据经验和梯度下降修改H W参数进而检测出物体。全连接层降维之后转换为7*7*30,为49个小块,每个小块内参数为候选框1的坐标候选框2的坐标(S,Y,W,H,C)再有后面的20为属于每个类别的概率。Recall(召回率)=TP/TP+FN TP:检测并判断为正例 FP:负例判断为正例。2.删除了全连接层仅用卷积层不断提取特征。

qq_73876493的博客 579

5.1 目标检测基本概念和YOLOv3设计思想

穷举法也许能得到正确的预测结果,但其计算量也是非常巨大的,其所生成的总候选区域数目约为W^2*H^2/4,假设H=W=100,总数将会达到2.5×10^7个,如此多的候选区域使得这种方法几乎没有什么实用性。在上一节中我们学习了图像分类处理基本流程,先使用卷积神经网络提取图像特征,然后再用这些特征预测分类概率,最后选出概率最大的类别,即为当前图片的类别,流程如。不同的模型往往有着不同的生成锚框的方式,在后面的内容中,会详细介绍YOLOv3算法里面产生锚框的规则,理解了它的设计方案,也很容易类推到其它模型上。

我亦无他,唯手熟尔 1500

YOLO目标检测综述(2025最新!)

目标检测算法,这类检测算法将检测问题划分为两个阶段,第一个阶段首先产生候选区域(Region Proposals),包含目标大概的位置信息,然后第二个阶段对候选区域进行分类和位置精修,这类算法的典型代表有R-CNN,Fast R-CNN,Faster R-CNN等。不过,随着研究的发展,两类算法都在两个方面做改进,均能在准确度以及速度上取得较好的结果。与以往的版本相比,YOLOv5引入了新的网络架构,以及一种新的训练方法,使用更大的数据集和更长的训练时间,从而提高了算法的性能。可以追溯到20世纪80年代。

qq_45591302的博客 1万+

深入浅出目标检测算法:从基础到应用

目标检测作为计算机视觉中的重要任务,已经取得了显著的进展,并在多个领域得到了广泛应用。通过了解和掌握不同目标检测算法的特点和应用场景,我们可以更好地利用这些技术,解决实际问题。希望本文能为您提供一个清晰的目标检测算法入门指南,助力您的学习和研究。

jixn的博客 1万+

目标检测_笔记

目标检测(Object Detection) 一、基本概念 1. 什么是目标检测 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 计算机视觉中关于图像识别有四大类任务: (1)分类-Classification:解决“是什么?”的问题,即给定一张图片或一段视频判断里面包含什么类别的目标。 (2)

weixin_49304690的博客 5421

目标检测算法

你好,我是悦创。目标检测(Object Detection)是一项计算机视觉中的重要任务,其目的是在图像或视频中识别并定位所有目标物体。近年来,随着深度学习技术的发展,目标检测算法取得了显著的进展。本文将介绍目标检测的基本概念、常见算法、应用领域以及未来发展趋势。

AI悦创·编程私教1v1 659
上一篇: 目标检测之NMS
下一篇: 目标检测——评价指标
Priplex
博客等级 码龄6年 18粉丝 19原创
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
 
 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
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