目标检测——yolo系列算法

yolo算法

在这里插入图片描述
在这里插入图片描述

yolo算法思想

在这里插入图片描述

yolo的网络结构

在这里插入图片描述

网络输入

在这里插入图片描述

网络输出

输出为7 * 7 * 30的张量

7x7网格

在这里插入图片描述
在这里插入图片描述

30维向量

在这里插入图片描述
一个图像中心点网格的pr(object)为1
在这里插入图片描述

yolo模型的训练

训练样本的构建

在这里插入图片描述
在这里插入图片描述

损失函数

在这里插入图片描述
在这里插入图片描述

扫描二维码关注公众号,回复: 15817799 查看本文章

模型训练

在这里插入图片描述

模型预测

在这里插入图片描述

yolo总结

在这里插入图片描述

yoloV2

在这里插入图片描述

预测更准确(better)

在这里插入图片描述

batch normalization

在这里插入图片描述

使用高分辨率图像微调分类模型

在这里插入图片描述
在这里插入图片描述

采样Anchor Boxes

在这里插入图片描述

聚类提取anchor尺度

在这里插入图片描述
yoloV2选择了聚类的五种尺寸作为anchor box

边框位置的预测

在这里插入图片描述
在这里插入图片描述

细粒度特征融合

在这里插入图片描述
在这里插入图片描述

多尺度训练

在这里插入图片描述
在这里插入图片描述

速度更快(Faster)

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

识别对象更多

在这里插入图片描述

yoloV3

在这里插入图片描述

算法简介

在这里插入图片描述

多尺度检测

在这里插入图片描述
在这里插入图片描述
FPN:浅层特征融合深层特征后进行目标检测

网络模型结构

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

先验框

在这里插入图片描述

logistic回归

在这里插入图片描述

yoloV3模型的输入与输出

在这里插入图片描述
在这里插入图片描述

yoloV4

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

猜你喜欢

转载自blog.csdn.net/qq_40527560/article/details/131755943