YOLO系列之yolov2解读（2）

已于 2022-10-26 16:21:52 修改
阅读量337 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： ai模型搭建，平台部署课程 文章标签： 深度学习 计算机视觉 python
于 2022-08-30 16:21:47 首次发布
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/monk96/article/details/126605169
本文总结YOLOv2的改进之处，包括去除全连接层和dropout，使用BN，采用Darknet特征提取，增加大图像训练支持，用kmeans确定 anchors，并介绍中心点相对偏移量计算方法。

文章目录

说明

以下为个人对于v2版本的总结

论文参考：https://arxiv.org/pdf/1612.08242.pdf

改进

yolov1 存在无法检测多物体的问题

yolov2引入了许多东西

  • 去除了全连接层和dropuot， 用BN，batch NormalSize代替
  • 更换了特征提取为darknet，效果更好
  • 增加了大图像的训练支持， 在原本224* 224 的上面加入了10次epochs 的448448训练，实际为416416，同时去除了全连接层，可以输入任意大小
  • 用kmeans提取anchors， 作者用了k= 5，d = 1-IOU(a,true), 表示IOU越大，距离越近。
  • 修改位置为offset，相对偏移量计算。

在这里插入图片描述
在这里插入图片描述

其中 tx, ty ， tw, th 为中心点相对当前网

了解本专栏 订阅专栏 解锁全文 超级会员免费看
【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 24万+
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）
YOLO系列之yolov1解读（1）
monk96的博客
08-30 523
位置 + 大小 + confidence + rnoobject Confidence + 类预测coord 是object 为1 的 ，比较重要，所以coord 的概率要设置比较大， noobj的概率设置较小。根号是为了避免小偏移对大图像的影响过小。v1中每个格子只负责预测一个物体， 所以对于小物体和重叠的物体无法更好的预测出。运用全连接层，使得计算量大并且复杂。............
YOLO V2详解
MAX的专栏
08-20 515
论文地址: YOLO9000: Better, Faster, Stronger 如果对 YOLO 没有概念的朋友，可以先看看YOLO V1 的思路。 在YOLO v1 之后，深度学习出现了许多trick，例如batch Normalization , 多尺度训练等，为了提高检测精度，v2也借鉴 RCNN 体系的anchor box。 Better： 1、加入BN Batch Normalization（批归一化）map 提升 2% BN 已经成为一种标配，加入BN 后，可以去掉 dropout。 2、高分
yolov3详解
m0_57459724的博客
11-21 3623
title: yolov3算法理解 date: 2021-11-21 14:45:42 tags: toc: True 本贴记录自己学习完yolov3算法的后的个人理解 首先我们来了解一下yolov3算法物体检测的具体流程： 前向传播： 对数据集图片进行处理，padding成为大小形状相同的图片，并对数据进行增强操作（注意：处理完后需要对label中的(tx,ty,tw,th)进行相应的修改,且在label中增加置信度初始化为0） 将图片放入darknet53网络，输出三个不同规格的特征图依次.
YOLOV2详解
weixin_43566977的博客
08-07 6399
yolov2详解笔记
【目标检测】|YOLOv2 v3 v4
qq_35608277的博客
06-11 379
Fine-Grained Features YOLOv2的输入图片大小为416×416416×416，经过5次maxpooling之后得到13×1313×13大小的特征图，并以此特征图采用卷积做预测。13×1313×13大小的特征图对检测大物体是足够了，但是对于小物体还需要更精细的特征图（Fine-Grained Features）。因此SSD使用了多尺度的特征图来分别检测不同大小的物体，前面更精细的特征图可以用来预测小物体。YOLOv2提出了一种passthrough层来利用更精细的特征图。YOLOv2所
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
【论文阅读YOLO系列】YOLOv2
最短的捷径就是绕远路，绕远路才是我的最短捷径。
11-04 1150
  我们推出YOLO9000，最先进的实时目标检测系统，它可以检测超过9000种类别。首先，我们提出一些对YOLO的改进，这些改进既新颖又借鉴了之前的工作。作为改进后的模型，YOLOv2在标准检测任务PASCAL VOC和COCO数据集上是最先进的。使用一个新颖的多尺度训练方法，同一个YOLOv2模型可以在不同的尺寸下运行【意味着可以对不同大小的图像进行检测】，提供一个简单的方法去权衡速度与准确率。FPS为67时，YOLOv2在VOC 2007上的mAP为76.8【小图片】。FPS为40时，它的mAP为78
【YOLO系列】YOLOv3分析与总结
最新发布
m0_55908255的博客
12-05 1692
grid cell个数增加YOLOv2和YOLOv3可以输入任意大小的图片，因为YOLOv2和YOLOv3是全卷积网络。输入图片越大，产生的grid cell越多，产生的预测框也就越多专门为小目标预先设置了一些固定长宽比的anchor。因为直接生成小目标的预测框是比较难的，但是在小anchor基础上再生成小目标的预测框是比较容易的多尺度预测（借鉴了FPN特征金字塔三个尺度，分别是输入图片尺寸下采样32倍后的，下采样16倍的，下采样8倍的。
YOLOFaceV2笔记
weixin_41807182的博客
10-25 6612
Yolo、YOLOFaceV2
YOLO-FaceV2复现及报错解决（CPU版本）
2301_77201796的博客
10-12 998
YOLO-FaceV2复现及报错解决（CPU版本）
YOLO v2算法详解
AI之路
09-13 6万+
论文： YOLO9000：Better，Faster，Stronger 论文链接：https://arxiv.org/abs/1612.08242 YOLO9000是CVPR2017的最佳论文提名。首先讲一下这篇文章一共介绍了YOLO v2和YOLO9000两个模型，二者略有不同。前者主要是YOLO的升级版（关于YOLO v1的介绍可以参考：YOLO v1算法详解），后者的主要检测网络也是YO...
深度学习算法之YOLOv2
跟随技术的脚步-linolzhang的专栏
03-02 2万+
一. 久违的新版本        YOLO 问世已久，不过风头被SSD盖过不少，原作者自然不甘心，YOLO v2 的提出给我们带来了什么呢？        先看一下其在 v1的基础上做了哪些改进，直接引用作者的实验结果了：       条目不少，除了 Anchor Boxes没有用，其他的该加的都加上了。我们一个一个来看：  A）Batch Norm B）Hi
YOLO学习笔记4——YOLOV2详解+论文解读
baidu_41906969的博客
03-31 4554
YOLOV2、YOLO9000论文连接：https://arxiv.org/abs/1612.08242 YOLOv2主要是改进原有的YOLO算法， YOLO的缺点： 对相互靠近的物体，以及很小的群体检测效果不好，这是因为一个网格只预测了2个框，并且都只属于同一类； 对不常见的角度的目标泛化性能偏弱； 定位不准确，尤其是大小物体的处理上，还有待加强； 端对端网络在前期训练时非常困难，很难收敛； 预训练的输入224x224，预测的输入448x448，模型需要适应图像分辨率的改变； YOLOv2的改进：
卷积神经网络——YOLOV2(YOLO9000)论文翻译
itlilyer的博客
07-16 1023
论文链接：https://arxiv.org/abs/1612.08242 YOLO9000: Better, Faster, Stronger Abstract 我们介绍一个最先进的，实时的目标检测系统——YOLO9000，它可以检测超过9000种目标类型。首先我们提出了针对YOLO的各种改进方法，即有新的思路也借鉴了以往的工作。经过提升后的模型——YOLOv2，是在标准检测任务(像PASCAL VOC 和COCO)上表现最好的。通过使用一种新颖的多尺度的训练，相同的YOLOv2模型可以使用不同的输入大小
YOLO系列——v2详解
K-RI的博客
01-05 2833
YOLO系列–V2详解 概述 yolo从v2开始改动的就比较多了，在目标检测方向的表现也越来越强，精度可以与Faster-rcnn等two-stage的分割网络相提并论，同时又能满足实时识别的要求，在实际工程化中使用的很频繁，同时网络中使用的小trick也更多，所以除了工程化外，也提供了一些发顶会的小idea。 下面还是先从网络结构出发，了解yolo2的主干，然后再推敲细节。 一、主干网络 v2的主干网络没有沿用v1的googlenet ，而采用了darknet-19。19层卷积和5层最大池化。在标准ima
YOLOv2——引入：Anchor+特征融合 (目标检测)(one-stage)(深度学习)(CVPR 2017)
星智云图工作室（StarImagine Studio）
11-22 1万+
论文名称：《 YOLO9000: Better, Faster, Stronger 》 论文下载: https://arxiv.org/abs/1612.08242  论文代码: http://pjreddie.com/yolo9000/  一、算法概述： 建立在YOLOv1的基础上，经过Joseph Redmon等的改进，YOLOv2和YOLO9000算法在2017年CVPR上被提出...
目标检测算法——YOLOv2
Clichong
06-12 3084
文章目录1.YOLOv2简介2.YOLOv2的精度改进（Better）1）Batch Normalization2）High Resolution Classifier3）Convolutional With Anchor Boxes4）Dimension Clusters5）Direct location prediction6）Fine-Grained Features7）Multi-Scale Training3.YOLOv2的速度改进（Faster）1）Darknet-192）Training fo
YOLO系列之yolo v2
木盏
09-10 5万+
v2算法在v1的基础上可以说是飞跃性提升，吸取诸子百家之优势。同时，v2的论文也是yolo系列论文里干货最多的文章。美中不足的是，v2论文里并没有像v1那种网络结构图(如图1所示)。 论文标题:《YOLO9000: Better, Faster, Stronger》 论文地址: yolo_v2的一大特点是可以”tradeoff“，翻译成中文就是”折中”。v2可以在速度和准确率上进行...
YOLO系列详解：从YOLOv1到YOLOv2
"YOLO系列PPT详细解读YOLOv1和YOLOv2的物体检测技术" YOLO，全称为"You Only Look Once"，是由Joseph Redmon等人提出的一种实时物体检测系统。它以其高效、实时性以及端到端的训练方式在计算机视觉领域引起了广泛...
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
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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

打赏作者

东哥aigc

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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