目标检测 YOLO 系列模型发展（1）

彭靖田 2023-01-13 01:50:50

课时名称	课时知识点
目标检测 YOLO 系列模型发展（1）	深度学习实战：目标检测 YOLO 系列模型发展

...全文

117 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

YOLO (You Only Look Once) 系列模型追求实时目标检测，因此会在一定程度上牺牲精度，以实现更高的检测速度。如果你对这篇文章可感兴趣，可以点击「【访客必读 - 指引页】一文囊括主页内所有高质量博客」，查看完整博客分类与对应链接。

YOLO V1（You Only Look Once version 1）是YOLO系列模型的第一个版本，由Joseph Redmon等人于2015年提出。相比于传统的目标检测方法，YOLO V1采用了全新的设计思路和网络结构，实现了端到端的目标检测，具有较高的检测速度和简单的设计。网络结构：YOLO V1模型采用卷积神经网络（CNN）作为基础网络结构，在输入图像上进行卷积操作，提取图像特征。单次预测。

出自科技猛兽知乎专栏，地址：科技猛兽目标检测专栏前言本文目的是用尽量浅显易懂的语言让零基础小白能够理解什么是YOLO系列模型，以及他们的设计思想和改进思路分别是什么。我不会把YOLO的论文给你用软件翻译一遍，这样做毫无意义；也不会使用太专业晦涩的名词和表达，对于每一个新的概念都会解释得尽量通俗一些，目的是使得你能像看故事一样学习YOLO模型，我觉得这样的学习方式才是知乎博客的意义所在。为了使本文尽量生动有趣，我用葫芦娃作为例子展示YOLO的过程(真的是尽力了。。。)。葫芦娃同时，会对

YOLO 模型凭借其高效的端到端检测能力，在实时目标检测领域取得了显著的成果。：在前几代 YOLO 的基础上，对损失函数进行了进一步的优化和完善，使其能够更好地平衡边界框定位误差和类别分类误差之间的关系，并且针对不同尺度特征图的预测结果采用了不同的损失权重，以提高模型在不同尺度上的检测效果。：进一步改进了损失函数，采用了不同尺度特征图的损失加权求和的方式，使得模型在不同尺度上的检测结果都能够得到有效的优化，并且对边界框的坐标、宽度高度以及类别置信度的误差计算都进行了精细化的设计，以提高整体检测性能。

YOLO系列算法是一类典型的one-stage目标检测算法，其利用anchor box将分类与目标定位的回归问题结合起来，从而做到了高效、灵活和泛化性能好，所以在工业界也十分受欢迎，接下来我们介绍YOLO 系列算法。Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测，核心思想就是利用整张图作为网络的输入，直接在输出层回归 bounding box（边界框）的位置及其所属的类别，整个系统如下图所示：首先将输入图片resize到448x448，然后送入CNN网络，最后处理网络预测结果得到检

彭靖田的课程社区_NO_1

1

社区成员

75

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章