马鞍山网站设计价格,单位网站建设申请,公司注册地址可以变更到外省吗,汕头怎么进行关键词优化为什么要学YOLOV1_哔哩哔哩_bilibili
这个视频讲解的很好#xff0c;建议在看这个之前看看卷积神经网络#xff0c;会对卷积后的结果理解更加深刻一点。
一 背景
目标检测分为单阶段和两阶段模型。
之前的目标检测DPM、R-CNN、Fast-RCNN、Faster-RCNN都是双阶段模型…为什么要学YOLOV1_哔哩哔哩_bilibili
这个视频讲解的很好建议在看这个之前看看卷积神经网络会对卷积后的结果理解更加深刻一点。
一 背景
目标检测分为单阶段和两阶段模型。
之前的目标检测DPM、R-CNN、Fast-RCNN、Faster-RCNN都是双阶段模型也就是说需要先提取候选框然后对各个候选框进行分类、甄别。双阶段模型没有全图信息容易丢失很多信息。识别精度高但是识别速度始终是技术瓶颈。 YOLO V1开启了单阶段模型的大潮流。
最开始对密集的、小物体的检测不很友好但是随着技术的发展现在在密集和小物体的检测方面已经相当友好。 map指标
machine learning - How to calculate mAP for detection task for the PASCAL VOC Challenge? - Data Science Stack Exchange
二 优点
实时识别yolo的识别非常快
端到端
它输入是一张完整的图片前后文联系会比较紧密。
三 原理
1 预测阶段网络结构 把它当成黑盒模型就可以啦只要明确输入和输出。
也可以把这整个过程当作对图像全局信息的编码从人眼可得到的各种信息转变为方便网络学习的各种特征。
1.1 编码得到boungding box
输入一张图片448*448*3
输出7*7*30的信息张量其中包含所有预测框的坐标、置信度和类别结果其实就是boundingbox的信息。
接下来的工作就是对7*7*30的信息张量进行解码。获取其中的分类回归的信息
1.2 解码表示boungding box的7*7*30 1.3 为什么是7*7
首先要将输入图片划分为S*S个grid cell。 这里的S7所以是7*7一共是49个grid cell。
1.4 为什么是30 每个gridcell包含两个bounding box通过bounding box来拟合图片中的已标注目标。yolo将这个任务视为一个监督学习任务图片中的目标ground truth已经人工标注好了。
也就是一共会有49*296个bounding box。
每个bounding box的中心点都在它所属于的grid cell里面。
bounding box的信息表示为
表示其中心点位置
表示其高度和宽度
这四个值唯一确定bounding box
表示置信度
已经标注好的数据集中分类目标有20类所以20指的是每个grid cell分别对20个类别的概率。
5是bounding box的信息如上所述每个grid cell有两个bounding box。
所以每一个grid cell需要个数字来描述。 其实7*7*30最后的表示就是上图。 2 对bounding box 进行后处理
低置信度过滤、非极大值抑制NMS、去掉重复框IOU得到以下预测结果。 3 训练阶段的反向传播
yolo的损失函数 YOLO1是什么_SiMoNe10010的博客-CSDN博客
当grid cell有物体的时候计算损失函数第1235项当grid里没有物体的时候计算第4项。
损失函数一共有5项:
1.中心点定位误差
2.宽高定位误差
3.confidence误差
4.不负责检测Bbox confidence误差
5.负责grid cell 检测误差
首先的是中心坐标的损失函数用了我们最熟悉的均方误差MSE这个很好理解。中心点定位误差
然后是高和宽没有简单的用MSE而是用平方根的MSE这是为什么呢宽高定位误差
第一个原因是更容易优化但是还有更重要的原因
看下面的表格 首先我们只考虑var1和var2在0和1之间。当var1和var2都很小的时候也即是w和h都很小意味着这个物体很小那么我们应该尽量放大一些损失函数让模型在识别小物体的时候准确一点。当var1和var2都很大意味着这个物体也很大甚至可能已经布满整张图片了这时我么可以减小一些损失函数毕竟很大的物体不需要很高的精度。
一句话使用平方根的MSE而不是MSE其实就是像让模型对小尺度的物体更敏感。或者说对大的和小的物体同样敏感。
接下来的三项都使用了MSE其实用交叉熵可能会更好
其中第4项是用来判断一个bounding box中究竟有没有物体的。
