【YOLO系列】yolo V1 ,V3,V5,V8 解释

文章目录

  • yolo V1 模型结构图
    • 通道数 的 物理意义是什么?
    • 输出 7×7×30 怎么理解?
    • YOLO v1 损失函数LOSS
  • yolo V3
  • yolo V5
  • yolo V8

视频来源:https://www.bilibili.com/video/BV13K411t7Zs/


AI视频小助理
一、YOLO系列的目标检测算法,其中详细讲解了U6V1的网络结构,包括卷积层、池化层、通道数等基础知识。
00:01 - 介绍YOLO系列的目标检测算法
01:36 - 详细介绍yolo V1的网络结构,包括卷积层和池化层
05:17 - 解释通道数的意思和物理意义,以及卷积神经网络中的卷积核和通道数的关系
二、卷积神经网络的基本概念和结构,以及如何通过网络输出预测图像中的目标检测结果,详细解释了网络中各个参数的意义。
06:15 - 192个卷积核对应192个特征,对应原图表达。
07:18 - 特征图通道数为1024,经过4096全连接后转化为输出形状77×30。
08:22 - 输出结果为774×30的数字向量,每个数字代表原图小格子的预测结果。
三、目标检测模型的预测过程和输出结果,以及该模型的损失函数设计。其中,置信度和类别概率等概念被提及。
12:29 - 每个格子预测两个物体,但大量的预测是背景。
14:29 - 每个格子的置信度代表该位置是物体的概率
17:46 - YOLO的损失函数包含四个加号,其中第一个加号涉及到数学计算。
四、YOLO系列算法中的损失函数,包括中心坐标、宽高等预测结果的调整以及置信度的拟合,最后还介绍了YOLOv3的复杂结构和计算方法。
18:43 - 损失函数中加入中心坐标点,使其越来越准确
19:38 - 损失函数中加入宽高拟合,让预测结果与真实结果越接近越好
23:53 - YOLO v3模型有三个通路,经过卷积、批量归一化和激活函数处理
五、CBL、RESNET等深度学习中的小零件,以及这些零件如何拼接成复杂的结构,从而提取不同尺寸的信息,提高预测效果。
24:56 - CBL、卷积、批量规划、激活函数等深度学习小零件的拼接搭建整个网络结构。
26:40 - 不同尺寸信息提取可以提高预测效果,V3、V5、V8结构设计相似,但V8使用了更新数据进行训练。
28:56 - yolo V5和V8的网络结构复杂,越靠近输入层获取到的特征越细节,越靠上的特征越宏观
–本内容由AI视频小助理生成,关注解锁AI助理,由@Triticale21 召唤发送


yolo V1 模型结构图

【YOLO系列】yolo V1 ,V3,V5,V8 解释_第1张图片

通道数 的 物理意义是什么?

每一个通道 都是 由 1个卷积核 经过卷积运算 获得的输出结果
192个通道 对应 192个卷积核,这192个卷积核在训练过程中彼此独立,参数都是各自更新的,所以这192个卷积核 可以看作是 192个小特征!

输出 7×7×30 怎么理解?

只要物体的中心点落在这个格子内,就交给这个格子 来 预测!

每个格子要 预测两个物体,所以有两份 xywhc,xywhc,c 是置信度,20是类别概率

【YOLO系列】yolo V1 ,V3,V5,V8 解释_第2张图片

YOLO v1 损失函数LOSS

理解 意义
【YOLO系列】yolo V1 ,V3,V5,V8 解释_第3张图片

yolo V3

理解:提取 不同 尺寸 信息,让yolo 适用于 大尺寸的物体 和 小尺寸的 物体

越靠近输入,特征越细节;
越靠近输出,特征越宏观,越具体(高层语义)

【YOLO系列】yolo V1 ,V3,V5,V8 解释_第4张图片

yolo V5

模型 更复杂了,但还是3个分支
【YOLO系列】yolo V1 ,V3,V5,V8 解释_第5张图片

yolo V8

这个输出 是 3分支 检测吗?【有点像 自己任务想的输出了?】
【YOLO系列】yolo V1 ,V3,V5,V8 解释_第6张图片

你可能感兴趣的:(【杂学】,YOLO)