--------------------------------------------------------探花 眼镜妹
公众的著作剪辑器有些公式神气不复古，我用截图代替了。
序论
YOLO 系列关系视频和著作看了好多，在 AI 圈应该是响当当的模子，经常齐是看成首选模子，相称是关于及时标的检测任务来说。不外看了何等多遍，如若问到细节，想问我方真的懂了吗? 这亦然我再行细读 YOLOv1 pper 后写这篇著作的能源，咱们先从 YOLOv1 读起。
什么是YOLO V1
其实 YOLOv1 是在 2016 年提倡，嗅觉距离今天好像仍是好久远，不禁感叹今天时刻发展如斯之快。虽然如果在今天，咱们要作念一个标的检测任务，一定不会聘请这个陈腐模子。不外为了更好地学习当卑鄙行 YOLOv5 和 YOLOv8，照旧要提一提这个陈腐模子，毕竟 YOLO 系列是从 v1 到 v10 这么一起走过来，基本想想照旧持之以恒的。
YOLOv1 是用于标的检测的收罗模子，底下有对什么是标的检测予以解说，这里说的标的检测经常是多标的检测。那么为什么作家起名为 YOLO 呢? YOLO 是 You Only Look Once 的缩写，也即是说模子只需要看一次，就能检测出标的来。为什么这么说呢? 这是因为在 YOLO 之前，用于标的检测的收罗是 R-CNN 为主二阶段检测收罗，检测分两步走，先图像生成一些候选框，然后在这些候选框基础上进行分类和规模框的转头。这个竟然一个可以的名字，好记还有含义。
这里想给大家分享我我方整理的v1-v10的论文pdf与罢了代码以及全系的熏陶视频，如果你需要的话可以扫码添加我的小助手让她免费发送给大家！
图片探花 眼镜妹
标的检测可以在图像中检测出属于事前界说好要检测类别的物体，况且将其位置和大小用框来标注出来呈现给使用者。
图片
telegram 反差关系收罗R-CNN、Fast R-CNN、Faster R-CNN 以及 Mask R-CNN 这些经典 R-CNN 系列，以及不异的一阶段收罗 SSD RetinaDet。
端到端收罗个东谈主嗅觉 YOLO 即是罢了一个端到端收罗，也即是标题中 Unified 和 look once，这为什么作家要强调只看一次，这即是相对那时流行 R-CNN 系列来说的。YOLO 是将标的检测问题移动为转头问题，咱们从标的函数来看，不出丑出这是一个转头问题。
图片
最初将图像缩放到448✖️448大小
然后经过卷积神经收罗
在输出之前作念 NMS 也就詈骂极大值扼制处理
以速率取胜YOLO 系列自从其出现那一天，给大家印象即是快，要不同期期其他模子较着的快，正因如斯，经常齐会用于及时检测。那么咱们就来看一下 YOLOv1 横空出世时，让东谈主咋舌标的 45 fps 比那时 RCNN 系列要快了快要 15 倍。
图片
咱们从及时检测角度来看，YOLO 可以达到 45 FPS 仍是超过及时条件的 30 FPS，而反应的 YOLO VGG-16 最快才唯有 21 FPS，如果和 Faster R-CNN ZF[27] 比拟，不管从速率照旧成果上要远远好于 Faster R-CNN。
YOLOv1 基本想想图片
收罗架构图片
YOLOv1 是在 448x448 ImageNet 上作念预覆按收罗，24 层卷积、临了经过全相聚后 reshape 7 x 7 x 30 输出，到咫尺我照旧很美意思，将输出特征图经过全相聚后，若何 reshape 一个抓有位置信息和类别信息的 7 x 7 x 30 这个猜忌可能到我方罢了一个 YOLOv1 收罗时刻才智昭彰。
YOLOv1 输出收罗最终输出收尾形状如下，也即是S✖️S✖️（B（1+4）+C）这么的形状。
图片
图片
图片
若何将瞻望宽高收尾移动为图像上值图片
图片
覆按赔本函数贪图一个赔本函数，也即是给模子建造了一个标的，这个标的用于算计模子输出是否让咱们悠然，那么模子主要输出的是 (类别概率散播、置信度(即是网格中可能存在标的的概率)、规模框位置和大小信息(x，y，w，h) 那么模子主要作念几件事才智有用地进行标的识别，辩认是
最初每个网格齐给出一个概率即是找到标的可能存(objectness score)
图片
规模框转头赔本图片
假定咱们这里有一个 3x3 收罗，也即是 S=3，每一个网格只给出一个瞻望规模框(bbox)，黄色示意示意莫得物体的规模框，蓝色示意有标的的规模框，绿色是是标的物体真实的规模框。
图片
图片
图片
标的对象赔本图片
图片
上头这张表浅显说一下，i 需要示意是第几个网格，也即是 3x3 网格，莫得标的网格给出bbox 可能包含标的的概率是 0.1 而，有标的存在网格对应 bbox 给出概率为 0.6 这么筹画瞻望标的赔本函数为：
图片
其实如果 7×7那么即是 96 个是莫得标的网格，也即是 0.96 反而要不比 0.32 大得多，产生这么原因主如若由于正负样本不均匀形成的。如果对此不作念颐养，模子在学习经过中会把重心放在配景学习上。处置这个问题智商也很浅显即是给莫得标的赔本值乘以一个整个，这些为 0.5 。
图片
类别赔本图片
关于类别过错，就不需要酌量 bbox 了。
YOLOv1 vs FasterRCNN检测率上进行对比图片
在上头这张图，给出 YOLOv1 和 Fast R-CNN 诞妄分析
先看配景诞妄分析，这里 Fast R-CNN 为 13.6% 而 YOLO 唯有 4.75% 诞妄率，其实原因也很浅显，这是因为在 YOLOv1 中只提倡 98 候选框，而在 Fast R-CNN 中通过 selective search 提倡了简略 2k 多候选框
从正确率来看 Fast R-CNN 照旧要超过 YOLOv1 这是因为 Fast R-CNN 提倡候选框要远巨大于 YOLOv1 提倡的候选框
在定位方面，从图标上来看 YOLOv1 亦然不如 Fast R-CNN
及时检测上进行对比YOLOv1 的限度其实 YOLOv1 在输出上有些先天限度S×S×(B×(1+4)+C)，因为在 YOLOv1 中每一个网格齐只可作念一个类别检测，那么像下图中，girl 和 car 这两个标的的中心点齐落在合并个网格中，或者好多标的中心点齐落在合并个网格时，YOLOv1 就变得无法可想。咫尺是两个(B=2) bbox 是分享一个类别瞻望的，可以让两个 bbox 齐有各自的类别瞻望，也即是 S×S(B×(1+4+C))。
图片
还有即是如果 YOLOv1 见过的西瓜齐是圆圆的，他学到一个宽高比接近 1 宽高比，不外一朝见到一个椭圆的西瓜，这是一个和之前具有不同宽高比的西瓜，YOLOv1 可能就很容易检测不出来。
图片
本站仅提供存储工作，整个试验均由用户发布，如发现存害或侵权试验，请点击举报。