Yolo v5

文章目录

    • 深度学习经典方法概述
      • 检测任务中阶段的意义
      • 不同阶段算法的优缺点
      • iou指标计算
      • 评估所需参数计算
      • map指标计算
    • Yolo v1整体思想
      • yolo算法整体思路解读
      • 检测算法要得到的结果
      • 整体网络架构解读
      • 位置损失计算
      • 置信度误差与优缺点分析
    • Yolo v2改进细节
      • V2版本细节升级概述
      • 网络结构特点
      • 架构细节解读
      • 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
      • 感受野的作用
      • 特征融合改进

深度学习经典方法概述

检测任务中阶段的意义

Yolo v5_第1张图片

不同阶段算法的优缺点

Yolo v5_第2张图片
Yolo v5_第3张图片

iou指标计算

Yolo v5_第4张图片
精度高的话recall就低

评估所需参数计算

Yolo v5_第5张图片

map指标计算

Yolo v5_第6张图片
Yolo v5_第7张图片
Yolo v5_第8张图片
虚线下方的面积是map值

Yolo v1整体思想

yolo算法整体思路解读

Yolo v5_第9张图片
Yolo v5_第10张图片
Yolo v5_第11张图片

检测算法要得到的结果

先选择一个红色的点产生两种候选框,置信度比较高的才能确定是一个物体,对两个候选框选择iou比较大的那个

整体网络架构解读

Yolo v5_第12张图片
卷积之后得到一个771024的特征图
7730 ------> 7*7的格子,30结果得到的是什么(5猫+5虎+20狗)

位置损失计算

Yolo v5_第13张图片
Yolo v5_第14张图片

置信度误差与优缺点分析

Yolo v5_第15张图片

Yolo v5_第16张图片

Yolo v2改进细节

V2版本细节升级概述

Yolo v5_第17张图片
加上左边的这几点,map值上升很多
Yolo v5_第18张图片

网络结构特点

Yolo v5_第19张图片
Yolo v5_第20张图片

架构细节解读

经过5次采样变为h/32,w/32.
eg : 416/32=13
优势:
①全是卷积的,不需要全链接
②所有卷积和都比较小,使我们感受会比较大

基于聚类来选择先验框尺寸

Yolo v5_第21张图片
k=5

偏移量计算方法

Yolo v5_第22张图片
多了一个候选框,map值基本不变,但recall(查全率)增加了7个百分点,之前没检测到的东西,现在可以检测到了。
Yolo v5_第23张图片
Yolo v5_第24张图片

Yolo v5_第25张图片

坐标映射与还原

Yolo v5_第26张图片

感受野的作用

Yolo v5_第27张图片
原始输入特征值比较多,将多个特征值浓缩成一个点。F1中的每个点都是对原始图像的特征提取。
感受野:最后一个图上的点能看到原始图像的多大区域。
右图,把5*5的图浓缩成了一个点
Yolo v5_第28张图片
两次3×3的卷积和一次5×5的卷积哪个更优
Yolo v5_第29张图片

特征融合改进

Yolo v5_第30张图片
感受野需要既要大的又要小的,把2626512转化为41313*512的
Yolo v5_第31张图片

你可能感兴趣的:(深度学习,python)