yolo学习笔记

最新推荐文章于 2025-03-07 23:04:11 发布
原创 最新推荐文章于 2025-03-07 23:04:11 发布 · 220 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。

该博客主要围绕YOLO系列展开。原理篇详细解释了YOLO-V1/V2/V3的原理。实战篇包含两部分，一是在Ubuntu系统下基于YOLO-V3进行物体检测实战，二是介绍了在无GPU的Windows系统下，结合OpenCV3.2.0和VS2015进行YOLO-V3行人检测的配置。
部署运行你感兴趣的模型镜像

您可能感兴趣的与本文相关的镜像

Yolo-v5

Yolo-v5

Yolo

YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出，因其高速和高精度而广受欢迎

YOLO学习笔记 | 使用YOLO v3深度学习进行目标检测（附代码）
尘世冰封的专栏
10-03 932
如何使用YOLO v3深度学习网络来检测图像中的对象
YOLO学习笔记 | YOLO目标检测算法（基础入门）
尘世冰封的专栏
08-29 685
MaskRCNN、FasterRCNN、Yolo系列基础知识
YOLO学习笔记
a的博客
01-19 2735
算法原理 ·将一幅图像分成SxS个网格(grid cell)，如果某个object的中心 落在这个网格中，则这个网格就负责预测这个object。 ·每个网格需要预测B个BBox的位置信息和confidence（置信度）信息，一个BBox对应着四个位置信息和一个confidence信息。confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息： ·每个bounding box要预测(x, y, w, h)和confidence共5个值，每个网格还要预测一
YOLOv1-v10系列学习笔记
ZineSulphur的博客
07-12 2093
YOLO系列的核心思想就是把目标检测转变为一个回归问题，利用整张图片作为网络的输入，通过神经网络，得到边界框的位置及其所属的类别。经典 one-stage 方法。
yolo学习笔记（1）
lielieyu的博客
11-18 508
yolo网址：https://pjreddie.com/darknet/yolo/ 因为网址说的很详细，这里只说自己有感触的地方，和遇到问题的地方。 1、.cfg文件 config file配置文件 参考文章： https://zhidao.baidu.com/question/16660588.html 2、rcnn 这是教程中提到的另外一个模型，其中有一个术语叫做 ha
YOLO 入门合集 （YOLO学习笔记）.docx
11-23
YOLO官网为用户提供了一个平台，可以学习到关于YOLO的所有知识，包括如何使用YOLO进行训练、验证、预测、导出模型，以及进行跟踪和基准测试。官网上的内容涵盖了 Modes 和 Datasets 两个主要部分， Modes 部分详细...
yolo系列学习笔记
weixin_45706801的博客
03-21 345
3 bottleneck 和 resnet 区别，resnet的底层代码实现都要搞清楚。4 yolo的思想，anchor参数的选择？从v1-v8的更新迭代，版本的改进要清楚。2 各种激活函数 优缺点 画图 都要搞清楚。1 yolov5模型+代码 要搞清楚。
Yolo学习笔记
m0_50488845的博客
05-29 906
Yolo学习笔记 一阶段网络的速度更快，适合于实时监测任务，两阶段法更精确但速度慢。 指标分析 map指标：综合衡量检测效果（在不同的置信度阈值下综合考虑精度和召回率）。 IOU指标：预选框与真实框(交集除以并集) Yolov1（you only look once） 把检测问题转化成回归问题 ...
YOLO学习笔记1
baidu_41906969的博客
12-18 1149
YOLOv4：Optimal Speed and Accuracy of Object Detection 目标检测的最佳速度和准确性： 有大量的功能据说可以提高卷积神经网络(CNN)的准确性。需要在大型数据集上对这些特性的组合进行实际测试，并对结果进行理论验证。某些特性可用于某些特定的问题，或仅用于小规模的数据集；而一些特性，如批处理规范化和剩余连接，则适用于大多数模型、任务和数据集。我们假设这些通用特性包括加权剩余连接(WRC)、跨阶段部分连接(CSP)、跨小批量标准化(CmBN)、自反训练(SAT)和
YOLO V1学习笔记
小火球儿
08-02 851
YOLO是一个经典的one-stage方法 - “只看一次”，一个网络架构直接得出结果，速度非常快 - 把检测问题转化为回归问题，一个CNN就搞定了 - 可以对视频进行实时检测，应用领域非常广
YOLO 入门合集 （YOLO学习笔记）
weixin_53159002的博客
06-28 4133
找到小标题Modes点击进入，在页面中下拉找到相关的介绍，这段英文以及左侧的列表就代表了YOLO的几大功能模块。训练模式：在自定义或预加载的数据集上微调您的模型。（训练模型）Val模式：用于验证模型性能的训练后检查点。（验证模型）预测模式：释放模型对真实世界数据的预测能力。（运用模型进行预测）导出模式：以各种格式准备好模型部署。（模型文件格式转换）跟踪模式：将对象检测模型扩展到实时跟踪应用程序中。（实时预测，多用于视频逐帧分析）基准测试模式：在不同的部署环境中分析模型的速度和准确性。（字面意思）
YOLO学习笔记——第一篇YOLOv1
ict_rtf的博客
03-11 3137
YOLO(You Only Look Once)——第一篇YOLOv1 前言：YOLO系列是基于深度学习的回归方法(预测物体的位置)。 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-DyEBq9yb-1646970067099)(C:\Users\24893\AppData\Roaming\Typora\typora-user-images\image-20220311085714972.png)] YOLO v.s Faster R-CNN 统一网络：YOLO没有显式求解
YOLOv1学习笔记
蘑菇菌的博客
04-01 915
reference: https://zhuanlan.zhihu.com/p/32525231 https://blog.youkuaiyun.com/tangwei2014/article/details/50915317 与R-CNN网络的区别： 比较流行的算法可以分为两类： 一类是基于Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CN...
YOLO笔记
weixin_30226901的博客
06-12 217
1，YOLO的核心思想是利用整张图像作为网络输入，在输出层回归bounding box 的位置和bounding box 的类别2，之前的检测方法是使用proposal+classify的思想3，YOLO的优点：速度快（把单个的组件整合，重复检测比较少），泛化能力强（在现实生活中和在艺术品中都可以应用），结构简单（仅使用单个神经网络）YOLO的缺点：相邻很近的物体还有很小的物体检测的效果不是很好 ...
Yolo v8自学笔记（超详细，逐模块学习，deepseek指导）
最新发布
qq_62954485的博客
03-07 5905
Yolo v8 通过deepseek指导，逐模块学习
yolo-v5学习笔记
03-03
YOLO-V5是一种基于深度学习的目标检测算法，它是YOLO（You Only Look Once）系列算法的最新版本，由Ultralytics公司开发。 YOLO-V5相比于以前的版本有以下几个优势： 1.更快的速度：YOLO-V5的速度比以前的版本更快...
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