AI大模型介绍yolo

1. 概述

1.1 YOLO的基本特点

1. 速度快
2. 准确率高
3. 可解释性强
4. 适用性广

1.2 YOLO发展历程

2015 : YOLOV1
2016: YOLO9000v2
2018: YOLOV3
2020: Scaled YOLOV4, PP-YOLO, YOLOV5,YOLOV6
2021: YOLOX,YOLOR,PP-YOLOV2
2022: DAMO YOLO, PP-YOLOE, YOLOV7, YOLOV6
2023: YOLOV8

2 模型介绍

2.1 模型原理

rcnn使用区域建议方法，首先在一张图像中产生可能的边界框。分类后，利用后处理对边界框进行细化，消除重复检测，并根据场景中的其他对象边界框进行重新扫描，这些复杂的流水线很慢。并且因为每个独立的部分都需要被分开训练，所以很难优化。
yolo模型原理：将目标检测重新定义为一个单一的检测问题，从图像像素直接到边界框坐标和类别概率。使用过一个卷积神经网络同时预测多个边界框和这些框类别概率。模型在完整的图像上训练，并直接优化检测性能。这个统一的模型相比较于传统检测模型有很多优点。YOLO设计可以实现端到端训练和实时的速度，同时保持较高的平均精度。

1. 将输入图像分成S*S的网格，如果一个目标的中心落入一个网格单元中，该网络单元负责检测目标
2. 每个网格单元预测这些盒子的B个边界框和置信度分数
3. 置信度分数反映了该模型对盒子是否包含目标的置信度，以及它预测盒子的准确程度

Yolo的输出包含两部分：
（1）边界框（Bounding Boxes）参数：每个边界框包含5个预测：x,y,w,h和confidence（置信度）。（x,y）坐标表示边界框相对于网格单元边界框的中心。宽w和高h是整张图像相对长度预测。还有一个置信度，计算公式如下：

$confidence=Pr(Object)\ast$