yolov3详解

为什么输入尺度416*416:经过下采样得到13*13,有中心点,作者发现大目标中心经常在中心点上,而448*448经过卷积得到

14*14无中心点。

 

 

深度详解,为什么是255深度

实际上是3个bbox

每个85深度包含:(x,y,w,h,s,cls1_s,cls2_s....,cls80_s)s代表有没有物体的几率,cls_s代表为每一类的概率

 

 

 

结构图

类fpn结构   ,concat各个大小的feature map

 

yolov3一次产生共多少bbox?

3*13*13+

3*26*26+

3*52*52=10647

之后经过s的值筛选+non—maximum筛选

 

每个bbox向量里有什么?以及运算的过程

1。长度的含义

probj:有没有物体

2.第二步  找出最大的cls值(蓝色的)

3第三步,将Pr_obj和Pr_max_cls相乘,得到的值更新到PR_obj的位置

4第四步,删掉score小于conf_thres的,然后排序,最后做非极大值抑制

loss对比(v1和v3)

 

YOLOv3是一种基于深度学习的目标检测算法,由Joseph Redmon和Ali Farhadi提出。与之前的版本YOLOv1和YOLOv2相比,YOLOv3在检测速度和准确性方面有了显著的提升。下面我们来详细了解一下YOLOv3的原理和技术。 YOLOv3的原理 YOLOv3采用了一种全新的架构,称为Darknet-53。它是一个53层的卷积神经网络,用于提取图像中的特征。Darknet-53的架构类似于ResNet-50,但使用了更小的卷积核和更多的卷积层。这使得Darknet-53可以更好地处理复杂的图像,并从中提取更多的信息。 YOLOv3的检测过程分为三个步骤:分割、预测和后处理。 1. 分割 在第一个步骤中,YOLOv3将输入图像分成多个较小的网格。每个网格都会负责检测图像中的目标。例如,如果我们将输入图像分成13×13的网格,那么每个网格就负责检测图像中的一个目标。 2. 预测 在第二个步骤中,YOLOv3对每个网格进行预测。每个网格预测包含三个边界框和相应的类别概率。边界框用于表示目标的位置和大小。类别概率用于表示目标属于不同类别的概率。对于每个边界框,YOLOv3还会预测一个置信度分数,用于表示该边界框是否包含目标。 3. 后处理 在第三个步骤中,YOLOv3使用非极大值抑制(NMS)算法来消除重复的边界框。NMS算法会根据预测的置信度分数对边界框进行排序。然后,它将从分数最高的边界框开始,逐个比较其余边界框,并删除与其IoU大于预设阈值的边界框。最后,只留下得分最高的边界框,用于表示该目标的位置和类别。 YOLOv3的技术 YOLOv3采用了一系列技术来提高检测准确性和速度。以下是其中一些技术: 1. FPN YOLOv3使用特征金字塔网络(FPN)来处理不同尺度的特征图。FPN可以从不同层次的特征图中提取有用的信息,并将它们融合成一个更全面的特征图。这使得YOLOv3可以更好地检测不同大小和比例的目标。 2. Anchor boxes YOLOv3采用了一种新的边界框预测方法,称为anchor boxes。它通过预测多个固定尺寸和比例的边界框来提高检测准确性。这使得YOLOv3可以更好地处理不同大小和比例的目标。 3. SPP YOLOv3使用了空间金字塔池化(SPP)来在不同尺度的特征图上进行池化操作。这使得YOLOv3可以更好地处理不同大小的目标,并减少了对特征图大小的限制。 4. Darknet-53 YOLOv3采用了Darknet-53作为其特征提取器。Darknet-53具有更小的卷积核和更多的层,使其能够更好地处理复杂的图像,并从中提取更多的信息。 总结 YOLOv3是一种强大的目标检测算法,它在速度和准确性方面都有很大的优势。它采用了一系列技术来提高检测准确性和速度,如FPN、anchor boxes、SPP和Darknet-53等。如果您需要进行目标检测任务,那么YOLOv3是一个值得尝试的算法。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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