YOLOv1、YOLOv2、YOLOv3目标检测算法原理与实战|YOLOv3目标检测算法原理

跟学视频

炮哥带你学——YOLOv1、YOLOv2、YOLOv3目标检测算法原理与实战

1.Yolov3目标检测的背景

2.Yolov3模型结构

 

 3.Yolov3图像金字塔FPN

在 YOLOv3 和其他目标检测模型中，图像金字塔（Image Pyramid）和特征金字塔网络（Feature Pyramid Networks，FPN）是常用于多尺度目标检测的方法。通过这些方法，模型能够有效地处理图像中不同大小的目标，并提高模型的检测性能。

工作原理：

• 创建金字塔：将原始图像经过一系列缩放处理，生成多个不同尺度的图像，通常包括从原始图像的较大尺寸开始，到较小尺寸。
• 多尺度检测：在每个尺度的图像上运行目标检测算法（如 YOLO、Faster R-CNN 等），每个尺度检测到的目标都被当作独立的检测结果。
• 合并结果：最后，通过某种方式（如非极大抑制，NMS）合并不同尺度上的检测结果。

4.Yolov3检测头 

YOLOv3 的检测头主要负责生成边界框、置信度和类别概率。在每个尺度上，YOLOv3 通过卷积层对不同尺度的特征图进行处理，然后生成相应的预测。通过这种多尺度预测设计，YOLOv3 可以有效地检测不同大小的目标，并且通过非极大值抑制算法过滤多余的边界框，最终生成高质量的目标检测结果。

13*13检测大物体，52*52检测小物体。 

 5.Yolov3检测模型参数详解

6.Yolov3正负样本 

7.Yolov3损失函数 

 

8.Yolov3总结

9.Yolo指标

9.1准确率 (Accuracy)

准确率是指模型预测正确的样本数占总样本数的比例。它反映了模型整体的预测准确性。

计算公式：

优缺点：

• 优点：简单易懂，适用于类别分布均衡的数据集。
• 缺点：当类别不平衡时，准确率可能会误导。比如，如果一个数据集90%的样本是负类，那么即使模型总是预测负类，准确率也能达到90%，但是模型并没有真正学会识别正类。

9.2精确率 (Precision)

精确率是指在所有被模型预测为正类的样本中，实际为正类的比例。精确率衡量的是模型预测为正类时的准确度。

计算公式：

优缺点：

• 优点：精确率高意味着模型对正类的预测是准确的，假阳性较少。
• 缺点：单独看精确率无法全面评估模型，因为它没有考虑到假阴性。

9.3 召回率 (Recall)

召回率是指在所有实际为正类的样本中，模型成功预测为正类的比例。召回率衡量的是模型识别正类样本的能力。

计算公式：

 

优缺点：

• 优点：召回率高意味着模型能够识别大多数的正类样本。
• 缺点：单独看召回率可能导致假阳性较高，即模型会把负类样本错误地预测为正类。

9.4F1-score

F1-score 是精确率和召回率的调和平均值。它是一个综合性指标，用于在精确率和召回率之间找到平衡。

计算公式：

 

F1-score 的值在 0 到 1 之间，值越高表示模型在精确率和召回率之间的平衡越好。

优缺点：

• 优点：F1-score 尤其适用于类别不平衡的情况，因为它同时考虑了假阳性和假阴性的影响。
• 缺点：F1-score 是精确率和召回率的折衷，所以如果两个指标有很大差距，F1-score 可能无法反映模型的实际性能。

9.5案例 

9.5.1二分类

9.2.2多分类 

 

10.目标检测中的评价指标计算