Bootstrap

12 - YOLO算法三 (目标检测)

要点:


算法简介:

  • 深度学习经典检测方法概述
    • 目标检测简介
    • 目标检测原理
    • 图像金字塔
    • 古典目标检测架构
    • ROI、IOU、FPS、NMS、mAP
    • IOU代码实现
    • NMS代码实现
    • 特征金字塔
    • SPP net
    • ROI池化
  • YOLO-V1整体思想与网络架构
    • YOLO算法整体思路解读
    • 检测算法对应结果
    • 整体网络架构解读
    • 位置损失计算
    • 置信度误差与优缺点剖析
  • YOLO-V2进化详解
    • 版本升级概述
    • 网络结构特点
    • 网络结构细节解读
    • 基于聚类来选择先验框尺寸
    • 偏移量计算方法
    • 坐标映射与还原
    • 感受野作用
    • 特征融合改进
  • YOLO-V3网络模型介绍
    • 版本升级概述
    • 多scale方法改进与特征融合
    • 经典变换方法对比分析
    • 残差连接方法解读
    • 整体网络模型结构分析
    • 先验框设计优化
    • Softmax层优化
  • 项目实战-基于YOLO-V3并进行源码解读
    • 数据与环境配置
    • 训练参数设置
    • 数据读取与处理
    • Debug模式介绍
    • 构建网络模型
    • 路由层与shortcut层说明
    • YOLO层定义剖析
    • 预测结果计算
    • 网络偏移计算
    • 模型损失函数概述
    • 标签样式设计
    • 坐标相对位置计算
    • 损失函数整合
    • 模型训练与总结
    • 目标检测效果展示
  • 基于YOLO-V3的自定义目标检测
    • 标注工具Labelme工具介绍与安装
    • 数据标注
    • 完成标签制作
    • 生成模型所需配置文件
    • 数据格式转换
    • 数据输入数据预处理
    • 训练代码与参数校验
    • 训练模型并预测效果
  • YOLO-V4网络模型介绍
    • 版本升级概述
    • 数据增强策略分析
    • DropBlock与标签平滑处理
    • 损失函数局限性
    • CIOU损失函数定义
    • NMS细节优化
    • SPP与CSP网络结构
    • SAM注意力机制模块
    • PAN模块解读
    • 激活函数与整体框架
  • YOLO-V5网络模型介绍
    • 版本升级概述
    • 数据源Debug流程解读
    • 图像数据源配置
    • 加载标签数据
    • 数据增强方法:Mosaic
    • 数据合并
    • Getltem构建batch
    • 网络框架图可视化介绍
    • YOLO5配置文件解读
    • Focus模块流程讲解
    • 配置文件解析
    • 前向传播计算
    • BottleneckCSP层计算
    • Head层流程解析
    • SPP层计算解析
    • 上采样与拼接
    • 结果输出解析
    • 超参数解析
    • 命令行参数解析
    • 训练流程总结
    • 训练策略概述
    • 模型迭代过程介绍
  • Resnet网络框架结合迁移学习
    • 迁移学习目标
    • 迁移学习策略
    • Resnet原理
    • Resnet网络介绍
    • Resnet处理操作
    • shortcut模块
    • 加载训练好的权重
    • 模型训练
    • 迁移学习结果对比
  • 目标检测算法SSD
    • SSD概述
    • SSD骨干网络
    • default box生成与规则
    • 损失函数定义
    • 网络细节介绍
    • 与YOLO对比
  • 目标检测算法RetinaNet
    • RetinaNet概述
    • 类不均衡问题
    • 平衡交叉熵
    • Focal Loss定义
    • 特征金字塔主干网络
    • Anchors
    • 分类自网络
    • 边框回归自网络
    • 模型训练
    • 模型优化过程
    • 模型对比与总结

1 YOLO  v1

1) 将一幅图像分成SxS个网格(grid cell),如果某个object的中心 落在这个网格中,则这个网格就负责预测这个object。

2)每个网格要预测B个bounding box,每个bounding box 除了要预测位置之外,还要附带预测一个confidence值。每个网格还要预测C个类别的分数。

 网络结构:

 损失函

2 YOLO  v2

YOLOv2中的各种尝试:

  • pBatch Normalization
  • pHigh Resolution Classifier
  • pConvolutional With Anchor Boxes
  • pDimension Clusters
  • pDirect location prediction
  • pFine-Grained Features
  • pMulti-Scale Training

 

 

3 YOLO  v3

目标边界框的预测

正负样本的匹配

 置信度损失

3.1 YOLOv3 SPP

SPP模块

实现了不同尺度的特征融合实现了不同尺度的特征融合,

注意:这里的SPP和SPPnet中的SPP结构不一样,Spatial Pyramid Pooling

CIoU Loss

解读参考:IoU、GIoU、DIoU、CIoU损失函数的那点事儿

​ 4 YOLOv4

5 YOLOv5

5.1 模型框架

 

 5.2 网络结构

5.2.1 普通CSP结构

5.2.2 C3结构

5.2.3 SPP

 5.2.4 SPPF

5.3 训练策略

5.3.1 损失计算

5.4 平衡不同尺度的损失

​ 

 5.5 匹配正样本

;