YOLO算法

yolo原理

卷积神经网络原理

卷积神经网络（Convolutional Neural Networks,CNNS）是深度学习特征提取的主要算法，它通过卷积提取数据特征。
卷积层：提取图像中的目标信息，降低噪声；

池化层
降低网络的参数量，在图片发生平移旋转等操作时，仍能获得有效信息
降参：通过对特征图的下采样（例如最大池化活平均池化）有效减少了下一层输入的尺寸和相应的计算量。
平移不变性：池化层会提取区域内的最显著特征，增强对图像中操作的鲁棒性。

激活函数：加入非线性因素，把卷积层的输出结果做非线性映射；
全连接层：起到“分类器”的作用，根据训练样本对模型进行训练，从而得到全连接层的权重。

传统的图像分类网络中，例如LeNet-5，使用了卷积层、池化层和全连接层来进行图像分类。

yolo原理

1 backbone（骨干网络）- 特征提取
从输入图像中提取特征，这一部分主要由卷积层 和 池化层 构成。其中 卷积层 负责从图像中提取各种低级到高级的特征（例如边缘、颜色、纹理），而 池化层 负责帮助减少图像的空间维度，从而降低计算量，减少特征图的尺寸。

2 Neck（脖部网络）- 特征融合
进一步处理从骨干网络提取到的特征图，并通过一些结构来增强不同尺度的特征图。通过特征增强模块来进行特征图的融合，帮助YOLO检测到大物体和小物体时都能够保持较高的精度。

3 Head（检测头）- 输出最终预测

检测部分

交并比：交集/并集；一般交并比 IOU>=0.5。
非极大值抑制：算法先找到图像上置信度最大的一个框，然后再遍历其他所有的框，比较交并比是不是大于0.5，大于0.5则移除。可以防止一目标多矩阵，多目标同矩阵；

yolo使用

联网使用

本地使用

yolo常用训练命令

单卡
python .\train.py --img 640  --batch 16 --epochs 100 --data data/dataset.yaml --weights 'yolov5n.pt' --cache

多卡
python train.py --img 640 --batch 16 --epochs 100 --data data/dataset.yaml --weights yolov5n.pt --cache --device 0,1

yolo训练结果分析

精确率：正确预测为正的数据中，占预测正值的比例。衡量模型的误检率，少误检更好。
回召率：预测有正的数据中，占实际正值的比例。衡量模型的漏检率，少漏检更好。
F1-Score：= 2* precision*reacll / precision+recall。综合评估误检和漏检的平衡性。

在目标检测任务中：
Precision 高：预测的检测框中，大部分是正确的目标，误检少。
Recall 高：数据集中绝大部分目标都被检测到，漏检少。
两者通常需要一起分析：
高 Precision、低 Recall：模型保守，只检测出高置信度目标。
高 Recall、低 Precision：模型激进，可能存在大量误检。





Confusion Matrix： 混淆矩阵
混淆矩阵是一种用于分类问题的预测结果总结工具，通过以矩阵形式显示分类模型的预测结果，帮助分析模型的性能。按类别细分预测结果，显示模型在哪些类之间产生了混淆。通过结果分解，克服仅使用分类准确率的局限性，提供更细致的模型表现分析。

F1_curve

labels_correlogram： 不懂
这个是YOLO模型在检测物体时，边界框位置（x, y）和尺寸（width, height）之间的分布和相关性
1、边界框的位置相对均匀分布，意味着检测到的物体在图像中处于各个不同位置
2、边界框的宽度和高度主要集中在较小的值范围，说明大部分检测到的物体尺寸较小
3、宽度和高度之间呈正相关关系的话，说明部分物体的形状比例较为一致

树莓派布置onnx算法

树莓派4B实测，yolov5n 输入512的图像，onnx模型的帧率大概是1.0；

1. 安装onnxruntime时的对应库

onnxruntime版本	numpy版本
<=1.8.0	numpy>=1.16.6

| <=1.9.0 | numpy>=1.21.4 |