设计素材搜索网站(长期更新)

最新推荐文章于 2025-04-22 09:26:08 发布
最新推荐文章于 2025-04-22 09:26:08 发布
阅读量2.9k 收藏
点赞数
分类专栏： 设计 文章标签： 前端
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/spatial_coder/article/details/107944592
版权

设计图片

1.pexels
https://www.pexels.com/zh-cn
2.hippopx
https://www.hippopx.com/zh
3.pixabay
https://pixabay.com/images/search
4.unsplash
https://unsplash.com/
5.视觉中国
https://www.vcg.com/creative/
6.设计在线
http://www.dolcn.com/archives/category/gallery
7. 在线编辑各种素材
https://www.canva.cn/templates/
8.地图生成器
http://datav.aliyun.com/tools/atlas/#&lat=31.769817845138945&lng=104.29901249999999&zoom=4
可下载为svg格式的图片，导入PPT后转为图形可编辑地图。
9.icon下载
https://www.iconfont.cn/
10.免抠设计元素下载
http://www.51yuansu.com/

设计练习网站

画笔使用练习：https://method.ac/
像素感知练习：https://pixact.ly/
颜色匹配练习：https://color.method.ac/；
含色相、饱和度、互补色、相似色、三色等匹配
布尔运算练习：https://boolean.method.ac/
字体识别练习：https://ilovetypography.com/2020/05/31/the-font-game；
其他版式设计练习：https://ilovetypography.com/tag/quiz/
https://yesimadesigner.com/graphic-design-games/

非常好的设计博客：
https://yesimadesigner.com/blog/
设计使用资源网站合集：
https://yesimadesigner.com/free-resources-for-graphic-designers-and-illustrators/

YOLO_原理详述
陈工一的博客
04-27 3万+
问题背景：“end-to-end方法的典型代表就是有名的yolo。前面的方法中，CNN本质的作用还是用来分类，定位的功能其并没有做到。而yolo这种方法就是只通过CNN网络，就能够实现目标的定位和识别。” 这是在知乎上看到的一句话。我突然像看看YOLO的厉害之处在哪？所以写这篇博文。 本文参考链接： https://zhuanlan.zhihu.com/p/25236464 文中标蓝部分...
回顾一下yolo原理
LEMFOooO的博客
06-26 794
本文介绍如何制作数据集、修改代码、不加载预权重从头跑自己的训练数据 一、简单回顾一下yolo原理： 1、端到端，输入图像，一次性输出每个栅格预测的一种或多种物体 2、坐标x,y代表了预测的bounding box的中心与栅格边界的相对值。 坐标w,h代表了预测的bounding box的width、height相对于整幅图像（或者栅格）width,height的比例。 3、 每个格子可以预测B个bounding box，但是最终只选择只选择IOU最高的bounding box作为物体检测输出，即每个格子最
YOLO算法的原理与实现
热门推荐
小白将
01-30 14万+
码字不易，欢迎给个赞！ 欢迎交流与转载，文章会同步发布在公众号：机器学习算法全栈工程师(Jeemy110) 目录 目录 前言 滑动窗口与CNN 设计理念 网络设计 网络训练 网络预测 算法性能分析 算法的TF实现 小结 参考文献 前言 当我们谈起计算机视觉时，首先想到的就是图像分类，没错，图像分类是计算机视觉最基本的任务之一，但是在图像分类的基础上，还有更复杂和
最详细最易懂的【YOLOX原理篇】
走进深度学习，不仅仅只是原理，更包括详细代码解读。
04-22 1292
本文带大家走进YOLOX，常用于深度学习中的目标检测领域，其隶属于YOLO系列。YOLO系列以其快速、准确的目标检测能力而闻名，而YOLOX在此基础上进行了多方面的改进和优化，旨在提供一个更灵活、可扩展且性能更强的检测框架。本文将会带大家来看看YOLOX当时所使用的黑科技，详细解读YOLOX的原理，当然后续也会给大家带来相关的实际应用的，敬请期待！
快到没朋友的YOLO——原理篇
Hanzoe的博客
04-14 7898
YOLO将输入的图像分成S*S的栅格，每个栅格负责检测中心落在该栅格中的物体
yolo原理
赵凯月的博客
12-23 415
1、【yolov1】 第一步：将图像划分为SS的栅格（grid cell），这里分成了77的grid cell。栅格的任务是：检测中心落在该栅格中的物体（注意，栅格中心未必与物体的中心重合，这个一定要明确，对后面的理解才不会产生影响）。 第二步：一个grid cell 可以预测B个bounding boxes（包围盒，以下简称bbox），包括预测bbox的confidence scores。bbo...
[目标检测]YOLO原理
02-24
本文来自于简书，本文主要介绍了对YOLO原理进行目标检测，以及yolov2网络结构为全卷积网络FCN，希望对您的学习有所帮助。创新点：端到端训练及推断+改革区域建议框式目标检测框架+实时目标检测1.1创新点(1)改革了...
目标检测YOLO原理与实现1
08-04
【目标检测YOLO原理与实现1】 目标检测是计算机视觉领域中的一个重要任务，它超越了基本的图像分类，不仅需要识别图像中的物体，还需要确定它们的位置。与图像分类相比，目标检测更为复杂，因为它需要处理不确定...
人工智能-YOLO原理理解.zip
08-30
了解YOLO的工作原理对于深入研究计算机视觉和人工智能至关重要，它不仅有助于我们理解目标检测的基本流程，还可以启发我们设计出更高效、更准确的检测算法。在实际项目中，开发者可以根据具体需求选择合适的YOLO版本...
YOLO算法原理详解
Tiger数学之家的博客
08-29 2万+
YOLOv1 1. 介绍 论文名称:You only look once unified real-time object detection 论文链接 2. 基本思想 YOLOv1是典型的目标检测one stage方法，在YOLO算法中，核心思想 就是把物体检测（object detection）问题处理成回归问题，用一个卷积神经网络结构就可以从输入图像直接预测bounding box和类别概率...
yolo算法讲解ppt
08-28
deepsystems.io的YOLO算法讲解ppt，讲解很详细，以图像化的方式讲解原理步骤，清晰易懂。
YOLO原理，看这一篇就够了
Colin_xuan的博客
05-17 6512
正如我上面所解释的，边界框的处理在 CPU 上运行，而不是在 GPU 上运行。事实证明，大多数这些框的置信度分数非常低，因此我们只保留最终分数为 30% 或更高的框（您可以根据您希望检测器的准确度更改此阈值）。然后您需要做的就是计算边界框的最终分数，并丢弃分数低于 30% 的分数。回想一下，卷积网络的输出是一个 13×13×125 张量：覆盖在图像上的网格中的每个单元都有 125 个数据通道。我感兴趣的一件事是采用不同的网络架构，例如 SqueezeNet，并重新训练该网络以预测其最后一层的边界框。
YOLO系列原理
回锅肉炒肉的博客
11-15 4956
YOLO系列原理与改进1. YOLO v0 雏形思想2. YOLO v13. YOLO v24. YOLO v35. YOLO v46. YOLO v57. YOLO v1 v2 v3 v4 v5 对比图8. YOLO vx参考文章 1. YOLO v0 雏形思想   传统检测所采用的方法基本是滑动窗口法，想要检测的精度越高，那么就需要遍历的越精确，同时检测所需要的时间开销就会越大。除此之外还存在另一个问题，背景图片很多，前景图片很少：二分类样本不均衡。在一张图片中对应背景和前景的框差距极大。可以把传统检测
YOLO原理详解
zj
10-22 3576
看了各路大神的分享整合下来的。。。。 原文: 链接：https://zhuanlan.zhihu.com/p/32525231 链接：https://blog.youkuaiyun.com/shengyan5515/article/details/84036734 链接：https://zhuanlan.zhihu.com/p/37850811 前言 目标检测可以看成图像分类与定位的结合，给定一张图片，目标...
YOLO 网络的原理及发展史
m0_44975814的博客
11-11 3345
YOLO 网络是一种基于深度学习的端到端目标检测算法，它将目标检测问题转化为一个回归问题，直接在图像上预测目标的位置和类别。从 YOLO v1 到 YOLO v5，YOLO 网络的准确率和速度都得到了极大的提升，同时也变得更加易于训练和部署。相信在未来，YOLO 网络将继续发挥重要的作用，为计算机视觉领域的发展做出更大的贡献。近年来，随着深度学习技术的飞速发展，出现了许多优秀的目标检测算法，其中 YOLO（You Only Look Once）系列算法以其高效、快速和准确的特点，受到了广泛的关注和应用。
YOLO 原理详解
Serizawa_Tamao的博客
03-29 775
转载：https://www.cnblogs.com/fariver/p/7446921.html
07 目标检测-YOLO的基本原理详解
qq_41946216的博客
09-07 1万+
YOLO是一种新的目标检测方法。以前的目标检测方法通过重新利用分类器来执行检测。与先前的方案不同，将目标检测看作回归问题从空间上定位边界框（bounding box）并预测该框的类别概率。使用单个神经网络，在一次评估中直接从完整图像上预测边界框和类别概率。由于整个检测流程仅用一个网络，所以可以直接对检测性能进行端到端的优化。
【卷积神经网络】YOLO 算法原理
洋洋Young的博客
10-29 9358
在计算机视觉领域中，目标检测（Object Detection）是一个具有挑战性且重要的新兴研究方向。目标检测不仅要预测图片中是否包含待检测的目标，还需要在图片中指出它们的位置。2015年，Joseph Redmon, Santosh Divvala 等人提出第一个 YOLO 模型，该模型具有实时性高、支持多物体检测的特点，已成为目标检测领域热门的研究算法。本文主要介绍 YOLO 算法及其基本原理。
YOLO 原理
最新发布
04-29
<think>好的，用户现在想了解YOLO的工作原理，特别是算法原理及实现机制。首先，我需要回顾之前的对话历史。用户之前询问了ONNX和TensorRT模型，现在转向YOLO，可能是在研究如何将YOLO模型部署到生产环境，或者优化其性能。结合用户提供的引用内容，他们可能已经对YOLO的基本概念有所了解，但需要更深入的技术细节。 用户提到的引用[1]、[2]、[3]、[4]主要涵盖了YOLO的发展、核心思想、以及YOLOv1的具体实现。因此，在回答时需要整合这些信息，确保准确引用。用户特别提到“工作原理”和“实现机制”，所以需要详细解释YOLO的单阶段检测方法、网格划分、边界框预测、损失函数等关键点。 需要检查之前的回答结构，确保符合用户要求的格式，如使用中文、正确应用LaTeX公式、分点回答等。同时，要生成相关问题，这些问题应围绕YOLO的优化、变体、对比等，帮助用户进一步探索。 用户可能对YOLO的实时性、准确率权衡、不同版本的改进感兴趣，因此在回答中可以适当提及后续版本的优化，但主要聚焦在YOLOv1的原理上，避免信息过载。另外，注意引用标注，确保每个引用的内容正确对应来源，比如引用[3]和[4]详细描述了YOLOv1的核心思想，需要正确标注。 最后，确保回答结构清晰，分步骤解析原理，可能包括输入处理、网格划分、预测输出、损失函数等部分，并辅以公式和代码示例，增强可理解性。同时，验证LaTeX语法是否正确，避免格式错误。</think>### YOLO算法原理及实现机制详解 #### 一、核心设计思想 YOLO（You Only Look Once）采用**单阶段目标检测范式**，将检测任务转化为**端到端的回归问题**，与传统的两阶段检测器（如R-CNN系列）相比，其核心优势在于： - **单次推理**：仅需一次前向传播即可完成所有预测 - **实时性**：处理速度可达45 FPS（YOLOv1）[^3] - **全局感知**：通过整图上下文信息预测边界框 数学本质可表述为： $$ \text{预测结果} = f_{\theta}(I) $$ 其中$I$为输入图像，$f_{\theta}$为卷积神经网络，直接输出边界框坐标与类别概率[^3] #### 二、YOLOv1实现架构（以v1为例） 1. **输入处理** - 图像尺寸标准化为$448 \times 448$（引用[4]） - RGB三通道归一化 2. **网格划分** - 将图像划分为$S \times S$网格（YOLOv1采用$7 \times 7$） - 目标中心点所在网格负责预测该物体[^4] 3. **预测输出结构** 每个网格预测： - **B个边界框**：每个框包含$(x,y,w,h,\text{confidence})$ $$ \text{置信度} = P(\text{obj}) \times \text{IOU}_{\text{pred}}^{\text{truth}} $$ - **C个类别概率**：$P(\text{class}_i|\text{obj})$ *输出维度计算*： $$ S \times S \times (B \times 5 + C) \quad (\text{YOLOv1中为}7 \times 7 \times 30) $$ 4. **网络结构** 典型24层卷积+2层全连接： ```python # 简化版结构示例 def YOLOv1(): model = Sequential() model.add(Conv2D(64, (7,7), strides=2, padding='same')) # 特征提取 model.add(MaxPooling2D()) ... model.add(Flatten()) model.add(Dense(4096)) # 全连接层生成预测张量 model.add(Dense(7*7*30, activation='sigmoid')) return model ``` #### 三、损失函数设计 YOLO采用多任务加权损失： $$ \mathcal{L} = \lambda_{\text{coord}} \sum_{i=0}^{S^2} \sum_{j=0}^{B} \mathbb{1}_{ij}^{\text{obj}} \left[ (x_i - \hat{x}_i)^2 + (y_i - \hat{y}_i)^2 \right] \\ + \lambda_{\text{coord}} \sum_{i=0}^{S^2} \sum_{j=0}^{B} \mathbb{1}_{ij}^{\text{obj}} \left[ (\sqrt{w_i} - \sqrt{\hat{w}_i})^2 + (\sqrt{h_i} - \sqrt{\hat{h}_i})^2 \right] \\ + \sum_{i=0}^{S^2} \sum_{j=0}^{B} \mathbb{1}_{ij}^{\text{obj}} (C_i - \hat{C}_i)^2 \\ + \lambda_{\text{noobj}} \sum_{i=0}^{S^2} \sum_{j=0}^{B} \mathbb{1}_{ij}^{\text{noobj}} (C_i - \hat{C}_i)^2 \\ + \sum_{i=0}^{S^2} \mathbb{1}_{i}^{\text{obj}} \sum_{c \in \text{classes}} (p_i(c) - \hat{p}_i(c))^2 $$ 其中： - $\lambda_{\text{coord}}=5$ 增强坐标损失权重 - $\lambda_{\text{noobj}}=0.5$ 降低负样本影响 - $\mathbb{1}_{ij}^{\text{obj}}$ 为示性函数（负责预测物体的边界框时为1）[^4] #### 四、创新机制解析 1. **多尺度预测融合** - 早期版本仅使用单一尺度特征图 - 后续改进（如YOLOv3）引入特征金字塔： $$ \text{预测层} = \text{Conv}(C_{n}, 3\times3) \rightarrow \text{上采样} \oplus \text{浅层特征} $$ 2. **Anchor Box机制** - 从v2开始引入预定义锚框： $$ \text{锚框尺寸} = \{(w_1,h_1),...,(w_k,h_k)\} $$ - 通过k-means聚类训练集标注框确定最佳锚框 3. **非极大值抑制（NMS）** 后处理关键步骤： ```python def nms(boxes, scores, threshold): keep = [] order = np.argsort(scores)[::-1] while order.size > 0: i = order[0] keep.append(i) iou = bbox_iou(boxes[i], boxes[order[1:]]) inds = np.where(iou <= threshold)[0] order = order[inds + 1] return keep ``` #### 五、性能优化方向 1. **精度-速度权衡** - 输入分辨率与mAP关系： $$ \begin{array}{c|c} \text{分辨率} & \text{mAP} \\ \hline 224\times224 & 63.4\% \\ 448\times448 & 69.5\% \\ \end{array} $$ *数据来源：YOLOv1论文[^3]* 2. **现代改进方案** - 注意力机制（引用[1]）：在骨干网络加入SE/CBAM模块 - 分布式预测：YOLOv5的Focus结构提升小目标检测 - 量化部署：结合ONNX/TensorRT实现加速（引用用户前序问题） --- ### 相关问题 1. YOLO的损失函数为什么对宽高取平方根？ 2. 如何验证网格划分策略对检测精度的影响？ 3. YOLO与其他单阶段检测器（如SSD）的核心区别是什么？ 4. 在移动端部署YOLO需要哪些优化技术？
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