yolov1到yolov5算法详解.docx资源-CSDN文库

版权申诉

148 浏览量 2023-11-30 12:06:52 上传评论收藏 5.13MB DOCX 举报

资源推荐

资源详情

资源评论

万字长文详解 YOLOv1-v5 模型

本文首发于 github，内容包括 YOLOv1-v5 网络的详细解读及代码解析。因为文章会

持续优化，所以最新版以 github 仓库为准。

一，YOLOv1

YOLOv1 出自 2016 CVPR 论文 You Only Look Once:Unified, Real-Time Object Detection.

YOLO 系列算法的核心思想是将输入的图像经过 backbone 提取特征后，将得到特征图划

分为 S x S 的网格，物体的中心落在哪一个网格内，这个网格就负责预测该物体的置信度

、类别以及坐标位置。

Abstract

作者提出了一种新的目标检测方法 YOLO，之前的目标检测工作都是重新利用分类器来执

行检测。作者的神经网络模型是端到端的检测，一次运行即可同时得到所有目标的边界框

和类别概率。

YOLO 架构的速度是非常快的，base 版本实时帧率为 45 帧，smaller 版本能达到每秒 155

帧，性能由于 DPM 和 R-CNN 等检测方法。

1. Introduction

之前的目标检测器是重用分类器来执行检测，为了检测目标，这些系统在图像上不断遍历

一个框，并利用分类器去判断这个框是不是目标。像可变形部件模型（DPM）使用互动窗

口方法，其分类器在整个图像的均匀间隔的位置上运行。

作者将目标检测看作是单一的回归问题，直接从图像像素得到边界框坐标和类别概率。

YOLO 检测系统如图 1 所示。单个检测卷积网络可以同时预测多个目标的边界框和类别概

率。YOLO 和传统的目标检测方法相比有诸多优点。

grid_num = 7 # 论文中设为 7

target = torch.zeros((grid_num, grid_num, 30)) # 和模型输出张量维尺寸一样

都是 14*14*30

cell_size = 1./grid_num # 之前已经把目标框的坐标进行了归一化（这里与原论文有

区别），故这里用 1.作为除数

# 计算目标框中心点坐标和宽高

wh = boxes[:, 2:]-boxes[:, :2]

cxcy = (boxes[:, 2:]+boxes[:, :2])/2

# 1，遍历各个目标框；

for i in range(cxcy.size()[0]): # 对应于数据集中的每个框这里

cxcy.size()[0] == num_samples

# 2，计算第 i 个目标中心点落在哪个 `grid` 上，`target` 相应位置的两个框的

置信度值设为 `1`，同时对应类别值也置为 `1`；

cxcy_sample = cxcy[i]

ij = (cxcy_sample/cell_size).ceil()-1 # ij 是一个 list, 表示目标中心点

cxcy 在归一化后的图片中所处的 x y 方向的第几个网格

# [0,1,2,3,4,5,6,7,8,9, 10-19] 对应索引

# [x,y,w,h,c,x,y,w,h,c, 20 个类别的 one-hot 编码] 与原论文输出张量维度各

个索引对应目标有所区别

target[int(ij[1]), int(ij[0]), 4] = 1 # 第一个框的置信度

target[int(ij[1]), int(ij[0]), 9] = 1 # 第二个框的置信度

target[int(ij[1]), int(ij[0]), int(labels[i])+9] = 1 # 第

int(labels[i])+9 个类别为 1

# 3，计算目标中心所在 `grid`（网格）的左上角相对坐标：`ij*cell_size`，然

后目标中心坐标相对于子网格左上角的偏移比例 `delta_xy`；

xy = ij*cell_size

delta_xy = (cxcy_sample -xy)/cell_size

# 4，最后将 `target` 对应网格位置的 (x, y, w, h) 分别赋相应 `wh`、

`delta_xy` 值。

target[int(ij[1]), int(ij[0]), 2:4] = wh[i] # 范围为(0,1)

target[int(ij[1]), int(ij[0]), :2] = delta_xy

target[int(ij[1]), int(ij[0]), 7:9] = wh[i]

target[int(ij[1]), int(ij[0]), 5:7] = delta_xy

return target

代码分析，一张图片对应的标签张量 target 的维度是 7 \times 7 \times 30 。然后分别对

各个目标框的 boxes: (x1,y1,x2,y2) 和 labels：(0,0,...,1,0)(one-hot 编码的目标类别信

息）进行处理，符合检测系统要求的输入形式。算法步骤如下：

1. 计算目标框中心点坐标和宽高，并遍历各个目标框；

2. 计算目标中心点落在哪个 grid 上，target 相应位置的两个框的置信度值设为 1，

同时对应类别值也置为 1；

3. 计算目标中心所在 grid（网格）的左上角相对坐标：ij*cell_size，然后目标中

心坐标相对于子网格左上角的偏移比例 delta_xy；

剩余65页未读，继续阅读

内容反馈

版权申诉

FL1623863129

粉丝: 1w+
资源: 1万+

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip