YOLO原理：《You Only Look Once:Unified, Real-Time Object Detection》

最新推荐文章于 2022-02-20 14:33:14 发布
最新推荐文章于 2022-02-20 14:33:14 发布
阅读量530 收藏
点赞数
分类专栏： YOLO算法 文章标签： 目标检测
本文介绍了YOLO(You Only Look Once)实时目标检测算法的原理，它通过将图像划分为多个网格，每个网格预测物体边界框和类别概率，实现快速准确的目标检测，适用于实时视频处理。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

YOLO原理：《You Only Look Once:Unified, Real-Time Object Detection》


引用： https://ziyubiti.github.io/2016/12/25/yolopaper/
对与YOLO原理的介绍，该文章简短明了，在此引用。

YOLO对实时视频的目标检测非常快，可达45FPS。这主要得益于其精妙的设计，对整体图片进行操作，相比R-CNN等大大降低了运算量。
　　YOLO的设计思想：
　　1、将图片划分为S ✖️S的grid cell小网格，每个小网格给出B个bounding box判决，每个边界盒判决包括5个信息，（x，y，w，h，object_prb）,x/y为box的中心坐标，w、h为box的长宽，object_prob为box内存在物体的概率Pr（Object）。
　　2、每个小网格给出有物体存在时的C个分类的条件概率，Pr（Class|Object），从而可以得到整体图片中各个小网格内的各分类概率，Pr（Class）=Pr（Class|Object）* Pr（Object）,设置合适判决门限，高于判决门限的就是识别出的目标分类。
　　3、根据各个小网格中的已识别目标分类，及对应的边界盒信息，可以计算出各个目标的整个分割区域位置信息，坐标、长宽等，从而在图像或视频中标记出来。
　　
　　YOLO demo中，S=7，B=2，C=20，则网络最终输出7✖️7✖️（2✖️5+20）=1470，如下图：
　　在这里插入图片描述

论文阅读笔记：(YOLO 看一次就够了) You Only Look Once: Unified, Real-Time Object Detection
tangwei2014的专栏
03-17 3万+
1. YOLO的核心思想 2. YOLO的实现方法 3. YOLO的训练技术细节 4. YOLO的缺点
【论文阅读笔记】You Only Look Once:Unified, Real-Time Object Detection
最新发布
2301_78395772的博客
11-05 2293
我们提出了一种新的目标检测方法YOLO。以前在对象检测方面的工作将分类器重新用于每个表单的检测。相反，我们将对象检测框定为空间分离的边界框和相关的类概率的回归问题。一个单一的神经网络预测边界盒和类概率直接从完整的图像在一个评估。由于整个检测管道是一个单一的网络，可以直接对检测性能进行端到端优化。Q1：什么叫做端到端优化?端到端优化（End-to-End Optimization）
You Only Look Once: Unified, Real-Time Object Detection
LYKymy的博客
08-07 557
Abstract 我们提出了一种新的物体检测方法YOLO。 关于物体检测的先前工作重新使用分类器来执行检测。 相反，我们将对象检测作为回归问题构建到空间上分离的边界框和相关的类概率。 单个神经网络在一次评估中直接从完整图像预测边界框和类概率。 由于整个检测流水线是单个网络，因此可以直接在检测性能上进行端到端优化。 我们的统一架构非常快。 我们的基础YOLO模型以每秒45帧的速度实时处理图像。 ...
论文阅读：You Only Look Once: Unified, Real-Time Object Detection
goodluckcwl的专栏
09-16 1154
这篇文章的主要工作是把物体检测问题重新看成回归问题来求解，利用单个神经网络完成整幅图像上bbox和类别概率的估计。提高了物体检测的速度。神经网络与目标检测 RCNN： 由于深度学习在目标检测领域效果差强人意，rbg把检测问题转变为分类问题。按照region proposal+features+classifiers的框架，先选择感兴趣的区域，再提取CNN特征，最后用SVM分类。但是每个proposa
You Only Look Once: Unified, Real-Time Object Detection
12-19
You Only Look Once: Unified, Real-Time Object Detection You Only Look Once: Unified, Real-Time Object Detection
【YOLOv1原文+翻译】You Only Look Once Unified, Real-Time Object Detection
qq_41915226的博客
05-21 8708
最近新出了YOLOV4，我系统的从V1开始整理出稿，传送门： You Only Look Once Unified, Real-Time Object Detection是CVPR2016的论文 首先上传原文：百度云盘 提取码： bvsq 因为大多数博主所给的都是外链，对于没有梯子的同学来说打开非常痛苦，我直接上传PDF啦 正文开始 Abstract摘要 我们提出了YOLO：一种新的物体检测方法。YOLO之前的物体检测方法主要是通过region proposal产生大量的可能包含待检测物体的 potenti
YOLO合集：You Only Look Once
holmosaint的博客
09-16 1525
YOLO现在有三个版本，每个版本相对于之前都有很大的进步，现总结如下。 YOLO 论文"YouOnlyLookOnce: Unified,Real-TimeObjectDetection"： https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Redmon_You_Only_Look_CVPR_2016_paper...
YOLO（You Only Look Once）论文详解
rainy0103的博客
05-24 1512
论文地址：https://arxiv.org/pdf/1506.02640.pdf 代码地址： https://github.com/hizhangp/yolo_tensorflow https://github.com/gliese581gg/YOLO_tensorflow https://github.com/thtrieu/darkflow Abstract We pres...
RCNN学习笔记（5）-You Only Look Once: Unified, Real-Time Object Detection
SalaFeng的博客
10-09 632
本文参考博客如下： yolo代码分析 You Only Look Once: Unified, Real-Time Object Detection 晓雷机器学习笔记-图解YOLO 视觉随笔-YOLO详解-赵丽丽 R-CNN 利用selective search 提出的 region proposals 结合卷积神经网络，通过R-CNN、SPP-net、Fast R-CNN
YOLO原理--读《You Only Look Once:Unified, Real-Time Object Detection》
ziyubiti的专栏
12-30 2179
见个人博客： https://ziyubiti.github.io/2016/12/25/yolopaper/
【目标检测】[论文阅读][yolo] You Only Look Once: Unified, Real-Time Object Detection
dataningwei的博客
09-24 1333
论文名称《You Only Look Once: Unified, Real-Time Object Detection》摘要1、之前的目标检测方法采用目标分类思想解决检测问题，本文提出一个基于回归的框架，用于目标的定位及识别。 2、一个网络，一次预测即可获得目标的检测框（bounding boxs）和 类别概率。 3、所提目标检测框架运算速度非常快。基本YOLO 模型45帧/S。简化版本Fast
《You Only Look Once: Unified, Real-Time Object Detection》
源仔
02-20 2956
目标检测|YOLO原理与实现
You Only Look Once: Unified, Real-Time Object Detection（翻译）
weixin_33989780的博客
08-22 246
0 - 摘要 　　我们提出了YOLO，一种新的物体检测方法。之前的物体检测工作是通过重新使用分类器来进行检测。相反，我们将对象检测抽象为一个回归问题，描述为以空间分隔的边界框和相关的类别概率。一个简单的神经网络通过对完整图片的一次检验直接预测出边界框和分类类别。因为整个识别的依据是一个单一的网络，所以可以在检测性能上进行端到端优化。 　　我们整体的框架非常快。我们的基础模型YOLO实时处理图片...
【论文】YOLO（You Only Look Once: Unified, Real-Time Object Detection）简介
FSALICEALEX的博客
10-15 392
一、简介 在YOLO之前所采用得方法，通常是两个阶段(two-stage)的检测方法，首先生成大量的bbox（bounding box），之后根据bbox在特征层上的映射来进行分类(classification)以及进一步的bbox位置修正（regression）。而YOLO将目标检测问题化为了一个回归问题，直接从图像映射得到bbox和类别概率。它相比two-stage的方法有两个有点：1.快。...
YOLO (You only look once) 实时目标检测
陈海峰的博客
07-01 1607
YOLO2 https://pjreddie.com/darknet/yolo/ https://github.com/pjreddie/darknet 参考资料 http://machinethink.net/blog/object-detection-with-yolo/
转载系列【检测】：CVPR2016 | You Only Look Once: Unified, Real-Time Object Detection
qq_17614495的博客
04-23 353
参考： http://blog.csdn.net/u011534057/article/details/51244354 https://zhuanlan.zhihu.com/p/24916786 论文下载： http://arxiv.org/abs/1506.02640  darknet版的代码下载： https://github.com/pjreddie/darknet tensorflow版本的...
you only look once: unified, real-time object detecti
11-24
"YOLO：统一、实时的目标检测"简称YOLO，是一种深度学习算法，用于实时目标检测。它的核心思想是将目标检测问题转化为单个统一的回归问题，使得只需一次前向传播即可直接预测出目标的位置和类别。 相比于传统的目标检测方法，YOLO具有显著的优势。首先，YOLO采用了统一的网络结构，端到端地完成整个目标检测过程。这意味着不需要将图像分割成多个部分进行处理，减少了冗余计算，提高了计算效率。 其次，YOLO实时性能出色。它将目标检测任务与边界框回归深度学习模型相结合，使得可以在一次前向传播中同时预测出多个目标的位置和类别。因此，YOLO在速度上远远超过了传统的基于滑窗的目标检测方法。 此外，YOLO还采用了多尺度的特征图来检测不同大小的目标。通过在不同层级的特征图上进行预测，YOLO可以有效地捕捉目标的多尺度信息，并提高了目标检测的准确性。 然而，YOLO也存在一些局限性。由于采用了统一的网络结构，YOLO对小尺寸的目标检测相对较差。此外，当目标之间存在重叠或者遮挡时，YOLO可能会出现漏检或者虚警的情况。 总而言之，YOLO是一种统一、实时的目标检测算法，具有高效、准确的特点。它在图像处理、智能安防、自动驾驶等领域具有广泛的应用前景。然而，为了提升其性能，在处理小尺寸目标和目标重叠等复杂场景时，仍需要不断的研究和优化。
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