Yolo系列读后感总结

最新推荐文章于 2025-08-04 07:30:00 发布
最新推荐文章于 2025-08-04 07:30:00 发布
阅读量142 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： YOLO
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/qq_36632604/article/details/130832999
作者分享了作为完全初学者在复现Yolo系列（从v1到v5）代码过程中的经历，发现Yolo1和Yolo3的教程资源丰富，而Yolo2和Yolo4的资源相对较少且较旧，存在较多报错。Yolo5的讲解视频最多，目前作者正在学习中。

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

完全初学者经历

代码复现是指论文原汁原味

Yolov1.

讲解视频很多 讲的都很好 也有复现,代码写得很通俗易懂

Yolov2

讲解视频很多 讲的都不咋地 个人认为只有一两个能看,代码复现很少,大家估计都去复现yolov3了,少而且年代久远 报错很多.硬着头皮看了5天

Yolov3

跟v1一样 讲解视频挺多的 因为过去用的比较多吧 代码复现也很不错

Yolov4

讲解视频非常少 但是质量也还行,代码复现少而且报错一堆,特别是二作复现的一堆bug,权重文件仓库全过期了,先detect也没办法,搞了三四天只是看了看论文就算了 直接跳yolov5了 挣扎在代码上没什么意义 整体资源比Yolov2还差

Yolov5

讲解视频应该是最多的, 质量应该不错 正在学习中

Rondox
关注
目标检测 | 一文读懂YOLO系列算法（从YOLOv1到YOLOv8）
突然好想你
09-29 2111
YOLO（You Only Look Once）系列算法是一种目标检测算法，主要用于实时物体检测。相较于传统的目标检测算法，YOLO具有更快的检测速度和更高的准确率。本节课就给大家重点介绍下YOLO系列算法，希望大家学习之后能够有所收获！
目标检测YOLO系列从入门到精通技术详解100篇-【目标检测】机器视觉
getusushu的博客
11-07 954
在单芯片相机中，传感器上两个或三个相邻线的输出被组合以生成RGB信号，而在三个或四个传感器相机中，来自物体的光被收集到一个棱镜中，该棱镜将RGB分量（和近红外（NIR）在四芯片相机中）用于单个传感器的同时检测。多传感器棱镜相机是一种强大的替代方案。结晶红外材料，例如硒化锌和氟化钙，具有高色散性能，但这些材料的机械强度远低于玻璃，而且价格也更高，因此，大多数SWIR镜头继续由具有抗反射涂层的玻璃制成。这种色散是一个可测量的量，会导致镜头产生色差，镜头的边缘会模糊物体的边缘，从而无法进行准确的机器视觉测量。
YOLO系列总结：YOLOv1, YOLOv2, YOLOv3, YOLOv4, YOLOv5, YOLOX
weixin_43662553的博客
08-17 1万+
YOLO系列总结：YOLOv1, YOLOv2, YOLOv3, YOLOv4, YOLOv5, YOLOX
【YOLO系列】YOLOv1学习（PyTorch）原理加代码
m0_74055982的博客
06-08 2499
之前我所发布的，都是分类问题，解决的概念就是输入一张图片，然后输出这个图片中的内容是什么类别，这种方法在很多问题上以及能够解决了，但是要清楚这个物体在图片中那个位置，这还是很难解决的，所以就引入了目标检测的概念，目标检测就是做到不仅判断物体的类别还可以得出物体所在位置，而目前最热门的目标检测的模型也就是YOLO系列了。YOLO系列的模型，是为了解决当时目标检测模型的帧率太低而提出来的模型。英文全称是You only look once。
死磕YOLO系列，YOLOv1 的大脑、躯干和手脚
热门推荐
frank 的专栏
11-20 2万+
YOLO 是我非常喜欢的目标检测算法，堪称工业级的目标检测，能够达到实时的要求，它帮我解决了许多实际问题。 这就是 YOLO 的目标检测效果。它定位了图像中物体的位置，当然，也能预测物体的类别。 之前我有写博文介绍过它，但是每次重新读它的论文，我都有新的收获，为此我准备写一个系列的文章来详尽分析它。这是第一篇，从它的起始 YOLOv1 讲起。 YOLOv1 的论文地址：https://www.c...
YOLO V4读书笔记
dididi的博客
06-17 1320
YOLO V4读书笔记背景目的亮点目标检测构建Mosaic算法实验成果 分享几个相关链接 paper链接 code链接 ppt链接 可能需要外网，但真的很好用！出不去可以用网盘下 网盘链接 提取码：j25i 背景 之前用yolo v3做过救生衣检测，但实际应用效果不太好。后面数据集增加后，并且数据增强了一波，发现效果还是可以的，并且速度也很快。这次四月份出了yolo v4,整体感觉就是把19年新出的几个算法融合了进去。 例如Mix-UP，Cut-Mix，Mosaic算法，就是对多张图像进行处理，对其目标物进
【YOLO系列】YOLOv3论文超详细解读（翻译 ＋学习笔记）
路人贾的博客
02-21 2万+
YOLOv3论文（《Yolov3:An incremental improvement》）超详细精读。看着一篇就够啦！
目标检测算法汇总：RCNN系列、YOLO系列、SSD系列
soohoo
04-21 8220
常见的目标检测算法1、传统的目标检测方法2、候选区域/窗+分类3、回归 目前，常见的目标检测（object detection）算法分为3类： 1、传统的目标检测方法：特征提取+分类器 2、候选区域/窗+分类：R-CNN、SPP-net、Fast R-CNN、Faster R-CNN、R-FCN 3、回归：YOLO系列、SSD系列 1、传统的目标检测方法 2、候选区域/窗+分类 2.1 3、回归 参考： 1、一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD .
从V1到V4,让你读懂YOLO原理——深度AI科普团队
小白不白
08-02 1万+
YOLO系列是目前主流的目标检测算法，其 检测目标位置和对目标物体进行分类这两步同时进行，极大加快了其检测速度，这里我介绍了yolov1到yolov4的大体知识概述，让你初步了解其原理。代码及代码解读会在之后的博客中给出，
【目标检测算法详解】从 YOLO v1 到 YOLO v3（全网最适合入门版本）
WANGYANG的博客
07-15 834
摘要：本文深入解析YOLO目标检测算法，重点介绍YOLOv1的核心架构与原理。YOLOv1将输入图像划分为7×7网格，每个网格预测2个边界框（包含位置、尺寸和置信度）和20个类别概率，形成30维输出向量。关键创新在于仅由包含物体中心点的网格负责预测真实边界框，其余网格预测背景，形成高度不平衡的分类问题。置信度分数综合了物体存在概率和预测框与真实框的交并比（IoU）。训练时通过选择与真实框IoU最大的预测框进行损失计算，优化模型性能。文章还对比了YOLO与SSD、RCNN在锚框生成机制上的差异，并详细阐述了损
ADA-YOLO: DYNAMIC FUSION OF YOLOV8 AND ADAPTIVEHEADS FOR PRECISE IMAGE DETECTION AND DIAGNOSIS（自读笔记）
weixin_54096995的博客
02-21 1262
自己的参考论文笔记，可学习论文架构
目标检测YOLO实战应用案例100讲-基于改进YOLO深度学习模型的烟支外观质量检测
qq_36130719的博客
11-27 985
烟草行业在我国有着悠久的历史，明朝时期烟草已成为中国重要的农业产品 之一，现今我国仍是全球最大的烟草生产和消费国家。2021年，我国烟草上缴 的税收创历史新高，达到了13581亿元[ 1]，创历史新高，增长了6.08%，占全国 GDP总量的1.187%。卷烟的生产过程涉及烟叶采摘、加工、卷烟制作等多种工 艺，难免会出现不同程度的质量问题。然而，烟支外观缺陷检测是保障产品质量 的重要环节之一。烟支外观的瑕疵如破损、污渍等不但会降低烟支的美观，还可 能会影响烟支的口感和品质。
YOLOv8结构深度优化指南：融入注意力机制与定制化模块提升检测性能
QQ_778132974的博客
07-31 118
注意力机制增强特征选择能力优化C2f结构提升特征提取效率动态卷积适应复杂场景变化双向特征金字塔实现多尺度深度融合解耦检测头优化任务分配实验表明，改进模型在COCO数据集上mAP提升7.0%，同时保持实时检测速度。这些模块化改进方案可根据实际需求灵活组合，为不同应用场景提供定制化解决方案。代码实现已开源：https://github.com/username/enhanced-yolov8。
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
FL1623863129的博客
08-03 727
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。
【YOLO系列】YOLOv11详解：模型结构、损失函数、训练方法及代码实现
一碗白开水一
08-01 1343
YOLOv11在目标检测领域实现重大突破，通过动态骨干网络(Dyna-Backbone)和FPN++架构，在保持高帧率(≥60FPS)的同时提升小目标检测精度(AP_S提升5.6%)。创新采用CIoU++损失函数和类别平衡Focal Loss，结合Mosaic-Plus数据增强，参数量减少18%至6.5M。实验显示，该模型在COCO数据集上实现更高mAP，特别适合移动端部署，Jetson Xavier平台能耗比优化至3.2W·ms⁻¹，支持目标检测、实例分割等多任务场景。关键创新包括动态深度调整和双向特征金
YOLO V11 + BotSort行人追踪定位项目
qq_48496633的博客
08-01 848
基于yolo11+botsort的实时多目标追踪定位停留分析
【HZ-T536开发板免费体验】Cangjie Magic调用视觉语言大模型（VLM）真香，是不是可以没有YOLO和OCR了？
最新发布
研究兴趣：智能物联网、嵌入式系统、人工智能
08-04 883
本文介绍了在T536开发板上交叉编译CangjieMagic框架并调用智谱AI视觉语言模型(VLM)的过程。通过修改配置文件、配置stdx库、安装必要依赖等步骤，成功在开发板部署VLM模型。测试结果显示，该模型能准确识别图像中的公交车车牌信息(鄂B·5C805)，验证了VLM在嵌入式设备上替代传统OCR/YOLO方案的可行性。整个部署过程涉及库文件裁剪(47M)、curl安装等关键操作，为后续开发智能代理(AI Agent)奠定了基础。文章展示了CangjieMagic简化大模型调用的优势，为嵌入式AI应用
YOLOv11 环境配置全流程 | 从零开始搭建训练与推理环境
shrgegrb的博客
07-31 846
YOLOv11环境配置与训练全流程指南 本文详细介绍了YOLOv11目标检测模型的环境配置、训练与推理全流程。内容包括： 环境要求：列出GPU、CUDA、Python等组件的版本要求，提供快速检查脚本 Windows配置： CUDA 12.6和cuDNN 8.9.7安装步骤 使用Conda创建隔离环境 PyTorch GPU版本安装方法 IDE环境配置 Linux配置：提供Ubuntu 22.04下的CUDA、cuDNN安装命令和Conda环境搭建 Docker方案：提供一键式容器化部署命令 训练实战： 数
YOLO12 改进、魔改｜IDC模块，通过将大核卷积分解为高效并行的小核与带状核分支，提高多尺度感知能力。
qq_64693987的博客
07-31 730
摘要：针对大核卷积网络在GPU上内存访问成本高、吞吐量下降的问题，研究者提出InceptionNeXt模块，通过多分支并行结构（3×3小核、正交带状核和恒等映射）分解大核卷积，在保持大感受野的同时提升计算效率。该方法适用于目标检测和语义分割任务，能平衡全局上下文与局部细节捕捉，并已集成到YOLOv12中，通过改进特征提取结构实现速度与精度的双重提升。具体实现包括代码结构修改、模型配置调整及训练流程优化。（149字）
YOLO系列
03-08
好的，用户想了解YOLO系列算法的介绍及其应用。首先，我需要回顾一下YOLO系列的基本信息，包括各个版本的改进和应用场景。根据用户提供的引用，YOLO是单阶段目标检测算法，使用anchor box结合分类和定位回归，高效且...
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