3.1 目标检测之YOLOv2算法学习笔记

最新推荐文章于 2025-12-15 22:32:00 发布
转载 最新推荐文章于 2025-12-15 22:32:00 发布 · 218 阅读 · 1 ·
CC 4.0 BY-SA版权
原文链接：https://www.bilibili.com/video/BV15V4y1j7K8?p=18&vd_source=3af5622342fd35acf6fb294e174e1bb1
文章标签：

#目标检测 #算法 #学习

本文深入探讨YOLOv2的改进，包括引入BatchNormalization提升训练速度和准确性，使用聚类得到的AnchorBox优化目标检测，以及利用偏移量预测相对于gridcell的精确位置，增强模型定位能力。同时，介绍了感受野的概念，它是特征图上每个点在原始图像中对应的视野大小。
部署运行你感兴趣的模型镜像

1、yolov2的改进

在这里插入图片描述

batch normalization

在这里插入图片描述
在这里插入图片描述

2、先验框——Anchor Box

  • 在Faster-RCNN中，先验框都是规定好尺寸的
  • 在YOLO-v2中，先验框是通过聚类得到的

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

3、偏移量

偏移量预测的是相对位置，相对的是grid cell.

在这里插入图片描述
在这里插入图片描述

4、感受野

感受野概述来说就是特征图上的点能看到原始图像多大区域

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

您可能感兴趣的与本文相关的镜像

Yolo-v5

Yolo-v5

Yolo

YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出，因其高速和高精度而广受欢迎

TonCC
关注
〖TensorFlow2.0笔记26〗YOLOV2目标检测算法以及实战！
AI新视界
05-31 2987
YOLOV2目标检测算法以及实战！ 文章目录一. YOLOV2算法介绍1.1. YOLOV2提升11.2. YOLOV2提升2二. YOLOV2算法实战2.1. 序列(Sequence)2.2. Tensorflow2.0中的Embedding层2.3. 预训练的词向量三. 循环神经网络 一. YOLOV2算法介绍 1.1. YOLOV2提升1 Yolov2相对Yolov1的提升点之一： 1.2. YOLOV2提升2 Yolov2相对Yolov1的提升点之二： 二. YOLOV2算法实战 2
YOLO学习笔记 ｜ 从YOLOv5到YOLOv11：技术演进与核心改进
尘世冰封的专栏
04-23 588
从YOLOv5到YOLOv11的技术演进，展现了目标检测领域从工程优化到理论突破的完整路径。各版本的改进始终围绕三个核心维度：精度提升、速度优化、易用性增强。算法层面：Transformer与CNN的深度融合硬件层面：面向神经拟态芯片的架构创新应用层面：开放世界检测与少样本学习生态层面：开源社区驱动的协同创新值得关注的是，YOLO系列正从单纯的检测框架向通用视觉基座演进，其技术路线为整个计算机视觉领域提供了重要参考。
3.1 目标检测之YOLOv1算法学习笔记
TonCC的博客
09-11 293
yolov1学习笔记
论文阅读笔记 | 目标检测算法——PP-YOLOv2
Clichong
09-29 1785
如有错误，恳请指出。 文章目录1. Introduction2. Revisit PP-YOLO2.1 Pre-Processing2.2 Baseline Model2.3 Training Schedule3. Selection of Refinements3.1 Path Aggregation Network3.2 Mish Activation Function3.3 Larger Input Size3.4 IoU Aware Branch4. Other try4.1 Cosine Le.
Yolo系列算法学习笔记——YoloV1
小鼻涕虫BoZ的博客
03-11 1810
Yolo系列算法的学习笔记，本篇为Yolo_V1。
Yolov1、Yolov2、Yolov3学习笔记
qq_45014958的博客
10-14 1574
本文介绍了Yolov1~v3的相关算法知识、网络结构以及Yolov2和Yolov3的创新点，对于想要学习目标检测的小白友好。
视觉感知——深度学习之YOLOv3算法
zhudj08的博客
02-21 6804
视觉感知——深度学习之YOLOv3算法1. 传感器融合2. 深度学习算法2.1 卷积神经网络CNN2.2 YOLO算法3. YOLO v3算法实践3.1 官方数据集参考3.2 环境配置3.3 算法调试3.4 识别输出4.参考学习的书目及论文 博主之前就写过关于一篇关于自动驾驶传感器感知技术的博文——《汽车电子技术——传感器感知技术》，正如博文中所说的自动驾驶涉及的相关的知识非常广博及复杂，必然不是一篇博文或一本书就可以说明白的。当时自己也是基于在传感器项目的部分研发支持工作及积累，主要简单的介绍和呈现了关于
目标检测算法实现（八）——YOLOV5学习笔记
小刺猬的宝藏笔记本
11-11 8614
Yolov5官方代码中，给出的目标检测网络中一共有4个版本，分别是Yolov5s、Yolov5m、Yolov5l、Yolov5x四个模型。 将四种模型的pt文件转换成对应的onnx文件后，即可使用netron工具查看。 Yolov5s的网络结构 将四种模型的pt文件转换成对应的onnx文件后，即可使用netron工具查看。 ...
yolov5和yolov2目标检测算法的训练和学习（hi3516）
Wwm52的博客
09-25 1689
（下图是yolov2.protxt的)
3.1 YOLO系列理论（YOLOV1、YOLOV2、YOLOV3)
qq_45825952的博客
09-22 1943
随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。来源于哔哩哔哩博主“霹雳吧啦Wz”，博主学习作为笔记记录，欢迎大家一起讨论学习交流。
YOLOV1学习笔记
倚肆的博客
04-24 1158
在计算机视觉以及数字图像处理中方向梯度直方图是一种能对物体进行检测的基于形状边缘特征的描述算子（用于量化图像局部特征的算法工具，它将图像中的关键点，例如角点、边缘点或尺度不变特征点，周围的像素信息转化为固定长度的数值向量，这些向量可以代表关键点的局部纹理、形状和光照不变性等特征。描述算子的主要目的是为了能够在不同的条件下，比如图像旋转、缩放、亮度变化等，仍然能够可靠地匹配同一物体或场景的不同视图中的相同或相似特征点。
目标检测论文阅读：FCOS算法笔记
qq_43631268的博客
01-07 771
本文提出了一种全卷积单阶段目标检测器（FCOS），以逐像素预测的方式解决目标检测问题，类似于语义分割。几乎所有的SOTA目标检测器，如RetinaNet、SSD、YOLOv3和Faster R-CNN，都依赖于预定义的锚框。相比之下，我们提出的FCOS检测器是anchor-free和proposal-free的。通过消除预定义的锚框集合，FCOS完全避免了训练时和锚框有关的复杂的计算，比如计算overlapping。更重要的是，我们还避免了一切与锚框相关的超参数，这些超参数往往对最终的检测效果非常敏感。
目标检测 | YOLO v1、YOLO v2、YOLO v3与YOLO v3 SPP理论讲解
houjingchuan的博客
07-19 1240
目标检测：YOLO v1、YOLO v2、YOLO v3与YOLO v3 SPP理论知识笔记，根据B站up霹雳吧啦Wz总结。
力扣hot100：搜索二维矩阵
一本大学生java学习技术分享与交流
12-14 249
二分查找返回的是目标值最先出现的位置或者是在有序数组中的插入位置，如果是在有序数组中的插入位置则可能为在数组最后一个位置加一个数，这是如果进行matrix[i][weizi]==target的判断的话会导致数组越界，必须先处理越界问题，最终判断条件应为weizi<matrix[i].length&&matrix[i][weizi]==target。本题的本质是一个查找算法，为了提高性能可以使用二分查找，这个二维矩阵可以看出许多个数组，只需要对每个数组都进行一次二分查找就可以实现查找整个二维矩阵。
Louvain 算法
FionaDong的博客
12-12 202
Louvain 是一种经典的图社区发现算法（Community Detection），由 Blondel 等人在 2008 年提出。核心目标：通过最大化 Modularity（模块度）来自动划分图中的社区（cluster）。它最大的特点是：✔ 速度非常快✔ 能处理百万级节点的大图✔ 结果相对稳定。
从零开始写算法——链表篇4:删除链表的倒数第 N 个结点 + 两两交换链表中的节点
最新发布
m0_59624833的博客
12-15 563
hot100链表的两道题详解。
二次规划（QP）算法
weixin_43156294的博客
12-10 600
二次规划的本质，是在一组线性约束条件下，求解一个二次函数的极值问题。其核心特征在于目标函数的二次性与约束条件的线性性，这种结构既保留了线性规划的求解高效性，又能处理更复杂的优化场景——例如实际系统中普遍存在的“最小能量”“最小方差”等目标，这类目标往往天然呈现二次形式。1.标准数学模型QP问题的标准形式通常分为“凸二次规划”与“非凸二次规划”两类，其中凸QP因具有全局最优解且求解难度可控，应用最为广泛。
Conan-embedding整理
kexin197的博客
12-11 931
本文提出了一种改进的文本嵌入模型Conan-embedding，其核心创新在于动态难负样本挖掘和跨GPU平衡损失。该方法在训练过程中实时挖掘难负样本，使模型能动态适应复杂数据分布；采用多阶段训练策略，包括预训练阶段的通识学习和微调阶段的专项训练；通过跨GPU平衡损失解决训练振荡问题，提升模型稳定性。实验表明，该方法能有效提升文本嵌入质量，尤其在检索任务中表现突出。研究还探讨了不同任务（检索与STS）在训练策略上的差异，为后续研究提供了重要参考。
【每天学习一点算法 2025/12/10】反转链表
Colorful9的博客
12-10 895
本文介绍了反转链表的三种实现方法：1）使用栈结构存储节点后弹栈重建；2）迭代法通过遍历直接修改节点指向；3）递归法在回归过程中逐步反转节点。重点解析了递归实现的原理，通过递推找到尾节点后，在回归过程中逐个反转节点指向并断开原链接。三种方法各有特点，栈实现直观但需额外空间，迭代法高效，递归法则展示了递归的独特处理方式。
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