凡诺企业网站管理系统,网销怎么做,网络规划设计师考试费用,网站 建设需求YOLOv1 1 摘要2 YOLO: You Only Look Once2.1 如何工作2.2 网络架构2.3 训练2.4 优缺点 YOLO系列博文#xff1a;
【第1篇#xff1a;概述物体检测算法发展史、YOLO应用领域、评价指标和NMS】【第2篇#xff1a;YOLO系列论文、代码和主要优缺点汇总】
——————————… YOLOv1 1 摘要2 YOLO: You Only Look Once2.1 如何工作2.2 网络架构2.3 训练2.4 优缺点 YOLO系列博文
【第1篇概述物体检测算法发展史、YOLO应用领域、评价指标和NMS】【第2篇YOLO系列论文、代码和主要优缺点汇总】
———————————————————————————————————————————————
1 摘要
发表日期2016年6月作者Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi论文You Only Look Once: Unified, Real-Time Object Detection代码https://pjreddie.com/darknet/yolo/主要优缺点 YOLO的简单结构加上其新颖的全图像单次回归使其比现有的物体检测器快得多允许实时性能。然而虽然YOLO的表现比任何物体检测器都快但与最先进的方法如快速R-CNN相比定位误差更大。造成这种限制的主要原因有三个 在网格单元中最多只能检测到两个相同类别的物体限制了预测附近物体的能力在预测训练数据中未见的长宽比物体时很吃力由于下采样层只能从粗略的物体特征中学习。
2 YOLO: You Only Look Once
YOLO是由Joseph Redmon等人提出的发表于2016年的CVPR会议上首次展示了一种针对物体检测的实时端到端方法。“YOLO”这个名字是“你只需要看一次”的缩写意味着它能够通过网络的一次前向传递完成检测任务这与之前的方法形成了鲜明的对比早期方法要么使用滑动窗口后接分类器对于每张图像需要运行数百乃至数千次要么采用更先进的两步法第一步检测可能包含物体的候选区域第二步则对这些候选区域进行分类。此外YOLO采用了基于回归的更为直接的输出方式来预测检测结果而Fast R-CNN则使用了两个独立的输出——一个是用于概率估计的分类输出另一个是用于框坐标预测的回归输出。
2.1 如何工作
YOLOv1通过同时检测所有的边界框统一了物体检测步骤。为了实现这一目标YOLO将输入图像划每个边界框的预测由五个值组成Pc、bx、by、bh、bw 其中Pc是bounding box的置信度分数反映了模型对bbox包含物体的置信度以及bbox的精确程度。bx和by坐标是方框相对于网格单元的中心bh和bw是方框相对于整个图像的高度和宽度。YOLO的输出是一个S×S×(B×5C)的张量可以选择用非最大抑制NMS 来去除重复的检测结果。
在最初的YOLO论文中作者使用了PASCAL VOC数据集该数据集包含20个类别C 20一个7×7S 7网格最多预测两个类B 2输出7×7×30预测结果。
YOLOv1在PASCAL VOC数据集上达到了63.4的AP。 2.2 网络架构
YOLOv1架构包括24个卷积层然后是两个全连接层用于预测bbox坐标和概率。除了最后一个层使用线性激活函数外所有层都使用了漏整流线性单元激活。受GoogLeNet和Network in Network的启发YOLO使用1×1卷积层来减少特征图的数量并保持相对较低的参数数量。作者还介绍了一个更轻的模型称为Fast YOLO由九个卷积层组成。
下表描述了YOLOv1的架构。 2.3 训练
作者使用ImageNet数据集在224x224的分辨率下对YOLO的前20层进行了预训练然后用随机初始化的权重增加了最后四层并在448x448的分辨率下用PASCAL VOC 2007和VOC 2012数据集对模型进行了微调以增加细节实现更准确的物体检测。对于增强作者使用了最多为输入图像大小20%的随机缩放和平移以及HSV色彩空间中上端系数为1.5的随机曝光和饱和度。
YOLOv1使用了一个由多个和平方误差组成的损失函数如下图所示。在该损失函数中λcoord 5是一个比例因子赋予边界框预测更多的重要性而λnoobj 0.5是一个比例因子降低不包含物体的框的重要性。λnoobj 0.5是一个比例因子它降低了不包含物体的bbox的重要性。 2.4 优缺点
YOLO的简单结构加上其新颖的全图像单次回归使其比现有的物体检测器快得多允许实时性能。 然而虽然YOLO的表现比任何物体检测器都快但与最先进的方法如快速R-CNN相比定位误差更大。造成这种限制的主要原因有三个
在网格单元中最多只能检测到两个相同类别的物体限制了预测附近物体的能力在预测训练数据中未见的长宽比物体时很吃力由于下采样层只能从粗略的物体特征中学习。
