YOLOv1

最新推荐文章于 2025-08-03 11:35:19 发布
原创 最新推荐文章于 2025-08-03 11:35:19 发布 · 172 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习

本文介绍了一种图像处理方法，通过将448x448的图片划分为7x7网格，每个网格负责预测两个边界框（xywh）、信心度以及n+1个类别，特别强调了坐标预测中对目标尺寸差异的处理。损失函数考虑了目标大小的调整。

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

1.将一幅图像分成S×S个网格，如果某个目标的中心店落在一个网格中，那么这个网格负责预测这个目标
2.每个网格负责预设定的n个目标，返回位置（xywh）和置信度及C个类别的分数（numclass+BG）
3.损失函数:坐标预测 为了区分不同大小的目标的偏移量，加上根号限制。

inputsize 448,448,3
inputsize 448,448,3 -> 图片分为7X7个网格，每个网格负责预测2个boudingbox（xywh,confidence）和n+1个类别 -> 5+5+10 = 30在这里插入图片描述

超详细的YOLO系列算法全家桶--YOLOv1-YOLOv8
qq_44815135的博客
01-25 7407
YOLOv1-YOLOv8的对比图先给大家呈上，本文介绍了从YOLOv1一直到YOLOv8的网络结构，以及各个版本之间的迭代，非常适合研究生们汇报PPT的制作和cv面试。
YOLOv1-TF2:使用TensorFlow2实现YOLOv1
03-30
带有Tensorflow 2的YOLOv1 为了易于实现，我没有实现与纸张完全相同的实现。 下面介绍的内容与本文的实现方式有所不同。 骨干网。 （我使用Xception代替了本文中提到的网络。） 学习率表（我使用了tf.keras....
YOLOv1笔记
weixin_30819085的博客
08-19 133
图1 如图1所示，将输入图像分成S*S个格子，对每个格子预测B个bounding box，每个bounding box又包含5个预测值：x,y,w,h,confidence。其中，x,y为bounding box中心坐标，w,h为宽和高，confidence为置信度。confidence...
Yolov1算法原理
m0_64363059的博客
05-09 2059
到这里yolov1的算法基本已经了解差不多啦，包括它的前向推理和损失函数的的计算。其实现在yolo发展得非常快，也有非常多的学者在yolo上面做出了很多改进去应用到目标检测中。所以要对yolo进行改进的话，yolov1的本质思想是绕不开的话题。希望本篇文章对于大家了解yolo的算法有帮助。
【超全】YOLO系列综述： 从YOLOv1到YOLOv12，记录YOLO发展的十年
阿旭的博客
03-02 1万+
【超全】YOLO系列综述： 从YOLOv1到YOLOv12，记录YOLO发展的十年
YoloV1~YoloV4
weixin_41021342的博客
07-11 3402
YOLOV1 YOLOV2 YOLOV3 YOLOV4
YOLOv1-v13各版本的作者（附论文及项目地址）
热门推荐
qq_45464126的博客
04-24 3万+
Joseph Redmon ，Santosh Divvala ， Ross Girshick 和 Ali Farhadi。Joseph Redmon 是YOLO系列的主要创始人，他在华盛顿大学进行研究工作时提出了 YOLO 的概念。
YOLO简史：从YOLOv1到YOLOv12的技术革新与演进
懒人的技术笔记
03-16 3243
YOLO（You Only Look Once）系列算法自2015年诞生以来，凭借其“单次推理”的高效特性，彻底改变了目标检测领域。从初代YOLO到最新的YOLOv12，每一次迭代都凝聚了研究者的智慧与工业界的实践需求。本文梳理各版本的特性、技术突破、应用领域等，展现YOLO的进化历程。
一文盘点YOLOv1-v11全系列模型
csdn1561168266的博客
11-17 2522
大家好，YOLO（You Only Look Once）系列模型是一类非常高效的目标检测模型。其主要特点是能够在单次前向传播中同时进行目标的定位和分类，实现实时的目标检测。YOLO 系列模型从最初的 YOLOv1 到 YOLOv10，经过了多次迭代和改进，逐渐提高了检测的精度和速度。近期，ultralytics 团队再次更新，YOLOv11速度更快、更准确。
YoloV1——总结
weixin_44384491的博客
03-14 5825
1.概述 YoloV1是一个快速、准确的目标检测网络，优缺点如下： 优点： 1.具备实时性，网络运行速度超过45fps 3.网络结构简单，端到端 4.可用于多种对象的检测 缺点： 1.目标定位较粗糙 2.对小目标检测不太好 3.每个cell只能生成2个框，并且只能有一个类 2.网络结构 说明：网络有24个卷积层，然后是2个完全连接的层。交替的1×1个卷积层减少了前一层的特征空间。 3.检测过程 1.输入一张图片 2.系统将图片分割为一个的网格，如果一个对象的中心落入一个网格单
YOLOV1-V7英文论文，深度学习、目标检测领域必读经典论文
05-26
最初的 YOLOv1 是在论文“You Only Look Once: Unified, Real-Time Object Detection”中介绍的。 它旨在实现实时目标检测，但在准确性方面存在一些局限性。 YOLOv1 是 YOLO 模型的第一个版本。 它使用单个卷积神经...
0773-极智开发-解读YOLOv1及其示例代码
03-05
0773_极智开发_解读YOLOv1及其示例代码
YOLOv1论文原文、YOLOv1推测过程详细PPT以及论文精度标注
05-03
1.YOLOv1论文原文 2.本人在精度论文标注版本，标注内容来自（yolov1PPT，B站UP主同济子豪兄论文精度） 3.YOLOv1推测阶段最经典PPT,内容十分详细 比较适合初学YOLOv1同学，精度论文的资料，帮助理解
使用yolo11训练饮料瓶盖缺陷检测质量检测数据集VOC+YOLO格式1432张5类别步骤和流程
最新发布
FL1623863129的博客
08-03 742
训练完成后，最佳权重保存路径为：runs/detect/train/weights/best.pt，如果多次运行命令runs/detect/train2,runs/detect/train3文件夹生成只需要到数字最大文件夹查看就可以找到模型。经过上面训练可以使用模型做一步部署，比如使用onnx模型在嵌入式部署，使用engine模型在jetson上deepstream部署，使用torchscript模型可以在C++上部署等等。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。
CS231n2017 Lecture10 RNN笔记
Se_ren_di_pity的博客
08-02 729
循环神经网络(Recurrent Neural Networks)，可以实现不同类型的输入/输出如：1 to 1：固定输入得到固定输出1 to many: 比如输入固定size的图片，输出的是可变长度的序列，比如一段描述文本，长度随着单词数而变many to 1: 比如输入一段可变长度的文本，输出其情感分类向量many to many: 比如翻译任务。
深度学习（鱼书）day08--误差反向传播（后三节）
weixin_66162442的博客
08-01 923
本文介绍了深度学习中的误差反向传播算法，重点讲解了激活函数层和Affine层的实现。在激活函数层部分，详细分析了ReLU层和Sigmoid层的前向传播和反向传播过程，包括数学表达式和Python实现代码。ReLU层通过mask机制实现开关功能，Sigmoid层则通过计算图分解步骤进行求导。在Affine层部分，解释了矩阵乘积运算的仿射变换性质，展示了单个数据和批处理数据的实现方式，并给出了相应的类实现代码。文章通过计算图直观地展示了各层的运算过程，并强调了矩阵运算中形状匹配的重要性。
CS231n2017-Lecture9经典CNN架构笔记
Se_ren_di_pity的博客
08-01 895
首先回顾一下LeNet-5，该网络结构为[CONV-POOL-CONV-POOL-FC-FC]，卷积层使用的的卷积核，步长为1,；池化层使用的size，步长为2。
深度学习-梯度爆炸与梯度消失
weixin_74126320的博客
08-01 880
深度学习训练中常遇到梯度消失和梯度爆炸问题。梯度消失导致深层网络参数难以更新，表现为训练停滞；梯度爆炸则使参数剧烈波动，导致训练失控。解决方案包括使用ReLU激活函数、梯度裁剪等技术。此外，模型推理时需调用model.eval()切换Dropout和BatchNorm层至推理模式，常与torch.no_grad()配合使用以保证稳定性和效率。这些方法对CV、NLP等任务至关重要。
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