YOLO系列（二）—— YOLO9000:Better, Faster, Stronger

最新推荐文章于 2022-10-15 20:25:02 发布
最新推荐文章于 2022-10-15 20:25:02 发布
阅读量711 收藏
点赞数
分类专栏： 深度学习 文章标签： yolo cnn 检测
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/castle_cc/article/details/84959163
版权
本文深入探讨YOLOv2的目标检测技术，介绍其相较于YOLO的七大改进，包括全卷积结构、BatchNormalization应用、高分辨率训练、AnchorBoxes引入、多尺度特征融合等，旨在提供更准确、快速的物体识别方案。

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

本系列分为三篇，此文为本系列第二篇，其他文章：
YOLO系列（一）—— You Only Look Once:Unified, Real-Time Object Detection
YOLO系列（三）—— YOLOv3: An Incremental Improvement

project: https://pjreddie.com/darknet/yolo/
paper: YOLO9000:Better, Faster, Stronger
yolo v2在yolo的基础上做了一些改进，对yolo不熟悉的可以参考：YOLO系列（一）

在paper中，并没有给出网络结构的完整示意图，下图是在网上找的，原网址查看更加清晰：https://ethereon.github.io/netscope/#/gist/d08a41711e48cf111e330827b1279c31
在这里插入图片描述

相对yolo做出的修改：
1）去掉全连接层，采用全卷积结构，可以输入不同的尺寸结构（32的倍数即可，下采样率为32）
2）在每个卷积层中加入Batch Normalization，去掉dropout
3）开始训练时就采用448×448的高分辨率进行训练
4）使用了Anchor Boxes，每个grid预测5个boxes，一共可以预测13×13×5=845个boxes，且每个box都有对应的class，远多于yolo的98个boxes,以及每个grid一个class
5）Anchor Boxes由聚类生成，评价标准为IOU
6）使用多尺度特征，将两层前的feature reorganization后和当前层进行concate
7) box的预测在之前的基于Anchor的方式上做了一定修改，如下图所示
在这里插入图片描述

YOLO系列（三）—— YOLOv3: An Incremental Improvement

YOLO9000: Better, Faster, Stronger
Lorenzo's Oil
02-14 538
一、前言 大多数目标检测方法的检测种类有限，仅能检测一小部分目标 本文使用了目标分类的分层视图的方法，允许我们将不同的数据集组合在一起 本文提出了一种联合训练算法，能够在检测和分类数据上训练目标检测器。 利用带标签的检测图像数据集来训练网络学习能精确定位物体的能力，同时使用分类图像数据集来训练以增加鲁棒性。 二、模型和方法 2.1 设计思路： 简化网络，以提高网络的检测速度 ...
【论文阅读笔记】YOLO9000:Better, Faster, Stronger
最新发布
2301_78395772的博客
11-12 1415
为了让网络更好地适应高分辨率的输入，YOLOv2 提出了 高分辨率分类器 的概念：在开始进行检测任务的训练之前，先对分类网络进行微调（fine-tuning），使其在更高分辨率的输入（如 448×448）上进行预训练。之间取得更好的平衡。通过对网络结构、边界框预测、训练方法等多方面的改进，YOLOv2 成为了当时最先进的实时目标检测系统之一，在多种标准数据集（如 PASCAL VOC 和 COCO）上的表现超越了许多其他方法，如 Faster R-CNN 和 SSD，同时显著提高了处理速度。
YOLO v2--YOLO9000: Better, Faster, Stronger
张家坎的博客
02-12 1156
论文：YOLO9000: Better, Faster, Stronger official code - c：https://pjreddie.com/darknet/yolo/ unofficial code - caffe：https://github.com/quhezheng/caffe_yolo_v2 unofficial code - tensorflow：https://githu...
YOLO9000:Better, Faster, Stronger
升级迭代
03-19 341
推荐： http://blog.youkuaiyun.com/qq_14845119/article/details/53589282 https://zhuanlan.zhihu.com/p/25052190 https://zhuanlan.zhihu.com/p/25167153?utm_source=wechat_session&utm_medium=social Abstract ...
YOLO9000 Better, Faster, Stronger
qq_46539177的博客
10-15 2438
yolo9000，最先进的，实时的目标检测系统，可以检测超过9000个类别。yolov2提出了很多新的改进方法，无论是新的还是在原有的yolov1中汲取的。yolov2使用新颖的，多尺度训练方法，它可以在各种尺寸的图片上运行（yolov1固定图片尺寸448*448），从而在速度与准确度之间平衡。
论文翻译——YOLO9000: Better, Faster, Stronger
b_dxac的博客
09-28 541
摘要 翻译： 我们介绍YOLO9000，一个最先进的，实时的物体检测系统，可以检测超过9000个物体类别。首先，我们提出了对YOLO检测方法的各种改进，既有新颖的，也有来自之前工作的改进。改进后的YOLOv2在PASCAL VOC和COCO等标准检测任务上是最先进的。使用一种新的，多尺度的训练方法，同样的YOLOv2模型可以运行在不同的大小，提供了一个简单的折衷速度和准确性。在67帧每秒时，YOLOv2在2007 VOC上得到76.8的映射。在40帧/秒的时候，YOLOv2得到了78.6的贴图，超过了最
YOLO9000: Better, Faster, Stronger 论文
05-11
YOLO9000是Joseph Redmon和Ali Farhadi等人提出的实时目标检测系统，它是YOLO（You Only Look Once）模型的升级版，具有更准确、更快、更强大的特性。YOLO9000不仅可以检测标准的9000多种对象类别，而且还实现了在...
YOLO9000_Better, Faster, Stronger 2016.pdf
12-14
YOLO9000_Better, Faster, Stronger 2016.pdf 论文pdf版本
yolo-9000：YOLO9000：更好，更快，更强-实时对象检测。 9000课！
02-03
yolo-9000：YOLO9000：更好，更快，更强-实时对象检测。 9000课！
YOLO9000：提升速度与精度的实时多类别检测系统
YOLO9000: Better, Faster, Stronger 是一篇深度学习领域的论文，由 Joseph Redmon 和 Ali Farhadi 两位作者在 University of Washington 和 Allen Institute for AI 联合发表。该论文的核心是介绍了一种名为 YOLO...
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