YOLO目标检测算法的黑科技全揭秘
45 浏览量
2023-10-31
15:32:42
上传
评论
收藏 559KB PDF 举报
⽬
录
简
介
与
背
景
知
识
：
数据
集
准
备
：
模
型
选
择
和
预
训
练
：
模
型
构
建
和
训
练
：
⽬
标
检
测
与
推断
：
性
能
优
化
与
改
进
：
实
例
应
⽤
和
扩
展
：
yolo
各
版
本
：
总
结
：
简
介
与
背
景
知
识
：
YOLO
（
You Only Look Once
）
是
⼀
种
基
于
深
度
学
习
的
实
时
⽬
标
检
测
算
法
，
由
Joseph Redmon
等
⼈于
2016
年
提
出
。
相
⽐
于传
统
的⽬
标
检
测
⽅
法
，
YOLO
具
有
快
速
和
实
时
性
的
优
势
，
能
够
在图
像
或
视
频
中
准
确
地
识
别
和
定
位
多
个
⽬
标
物
体
。
背
景
知
识
：
在
传
统
的 ⽬
标
检
测
⽅
法
中
，
常常
采
⽤
滑
动
窗
⼝
或
区
域
建
议
（
Region Proposal
）
的
⽅
式
进
⾏
⽬
标
定
位
。
这
些
⽅
法
需
要
在图
像
上
滑
动
窗
⼝
或
⽣
成
⼤
量
的
候
选
框
，
并
对
每
个
窗
⼝
或
候
选
框
进
⾏
分
类
和
位
置
回
归
，
导
致
计
算
量
巨
⼤
且
效
率
较
低
。
⽽
YOLO
则
采
⽤
了
不
同
的
策
略
，
将
⽬
标
检
测
问题
转
化
为
⼀个
回
归
问题
。
它将
输
⼊
图
像划分
为
固
定
⼤
⼩
的
⽹
格
（
grid
），
并
在
每
个
⽹
格
中
预
测
⽬
标
边
界
框
（
bounding box
）
的
位
置
和
类
别
概
率
。
这
意
味
着
YOLO
只
需
对
整
个
图
像
进
⾏
⼀
次
前
向
传
播
，
即可同
时
预
测
出
所
有
⽬
标
的
位
置
和
类
别
。
YOLO
的
⼯
作
流
程
：
⽹
格
划分
：
将
输
⼊
图
像划分
为
固
定
⼤
⼩
的
⽹
格
。
每
个
⽹
格
负责
检
测
该
区
域
内
的⽬
标
物
体
。
边
界
框
预
测
：
对
于
每
个
⽹
格
，
预
测
出
多
个
边
界
框
，
每
个
边
界
框
由
⼀
组
边
界
框
坐
标
（
x
、
y
、
宽
度
、
⾼
度
）
表
示
。
类
别
预
测
：
对
于
每
个
边
界
框
，
预
测
出
物
体
的
类
别
概
率
。
YOLO
使
⽤
多
标
签
分
类
来
处
理
多
类
别
物
体
的
检
测
。
⾮
最
⼤
抑
制
（
Non-Maximum Suppression
）：
通过
⾮
最
⼤
抑
制
算
法
来
抑
制
重
叠
较
多
的
边
界
框
，
只
保
留
置
信
度
最
⾼
的
边
界
框
。
YOLO
的
优
点
是
速
度快
，
适
⽤
于
实
时
应
⽤
场
景
，
如
视
频
监
控
、
⾃
动
驾驶
等
。
然
⽽
，
由
于
⽹
格
划分
的
粗糙
性
，
YOLO
在
检
测
⼩尺⼨
物
体
或
具
有
严
重重
叠
的
物
体
时
可
能
存
在
⼀
定
的
精
度
损
失
。
随
着
YOLO
的
不
断
发
展
，
后
续
版
本
如
YOLOv2
、
YOLOv3
、
YOLOv4 …
等
不
断改
进
了
检
测
精
度
和
速
度
，
并引
⼊
了
更
多
的
技
术
和
特
性
，
使
得
YOLO
系
列
成
为
⽬
标
检
测
领
域
的
重
要
算
法
之
⼀
。
数据
集
准
备
：
在
使
⽤
YOLO
进
⾏
⽬
标
检
测
之
前
，
您
需
要
准
备
适
当
的
数据
集
。
以
下
是
数据
集
准
备
的
⼀
般
步
骤
：
数据
集
选
择
：
选
择
适
合
您
应
⽤
场
景
的⽬
标
检
测
数据
集
。
常
⽤
的
数据
集
包
括
COCO
（
Common Objects in Context
）
、
PASCAL VOC
（
Visual Object Classes
）
、
Open
Images
等
。
这
些
数据
集
包
含各
种
类
别
的⽬
标
物
体
和
对
应
的
标
注
信
息
。
数据
集
下
载
：
从
相
关
数据
集
的
官
⽅
⽹
站
或
其
他
来
源
下
载
数据
集
。
确
保
下
载
并
保
存
了
图
像
⽂
件
和
相
应
的
标
注
⽂
件
。
标
注
⼯
具
：
选
择
⼀个
合
适
的
标
注
⼯
具
，
⽤
于
⼿
动
标
注
⽬
标
物
体
的
位
置
和
类
别
信
息
。
常
⽤
的
标
注
⼯
具包
括
LabelImg
、
RectLabel
、
CVAT
等
。
安
装
和
学
习使
⽤
标
注
⼯
具
，
并
准
备好
进
⾏
标
注
的
图
像
⽂
件
。
图
像
标
注
：
使
⽤
标
注
⼯
具
打
开
图
像
⽂
件
，
逐
个
⽬
标
物
体
进
⾏
标
注
。
根
据
⽬
标
物
体
的
位
置
，
使
⽤
矩
形
框
或
多
边
形
进
⾏
标
注
，
并
为
每
个
标
注
框
分
配
相
应
的
类
别
标
签
。
确
保
准
确
标
注
⽬
标
物
体
的
位
置
和
类
别
，
并
保
存
标
注
信
息
。
标
注
⽂
件
格
式
：
将
标
注
信
息
保
存
为
特
定
的
格
式
，
常
⻅
的
格
式
包
括
PASCAL VOC
格
式
（
XML
⽂
件
）
和
YOLO
格
式
（
TXT
⽂
件
）
。
确
保
每
个
图
像
都
有
对
应
的
标
注
⽂
件
，
其
中
包
含
了
⽬
标
的
位
置
和
类
别
信
息
。
数据
集
划分
：
根
据
您
的
需
求
，
将
整
个
数据
集
划分
为
训
练
集
、
验
证
集
和
测
试
集
。
通
常
，
训
练
集
⽤
于
模
型
训
练
，
验
证
集
⽤
于
模
型
调
优
和
选
择
超
参
数
，
测
试
集
⽤
于
评
估
模
型
的
性
能
。
数据
集预
处
理
：
在
将
数据
集
⽤
于
训
练
之
前
，
可
能
需
要
进
⾏
⼀
些
预
处
理
操
作
，
如
图
像
⼤
⼩
调
整
、
数据
增
强
（
如
翻
转
、
旋
转
、
缩
放
等
）
、
归
⼀
化
等
。
这
些
操
作
有
助
于
提
⾼
模
型
的
鲁
棒
性
和
泛
化
能
⼒
。
完
成
以
上
步
骤
后
，
您
就
准
备好
了
适
⽤
于
YOLO
的⽬
标
检
测
数据
集
。
通过
使
⽤
准
备好
的
数据
集
，
您
可
以
训
练
和
评
估
YOLO
模
型
，
以
实
现
准
确的⽬
标
检
测
任
务
。
模
型
选
择
和
预
训
练
：
在
选
择
和
使
⽤
YOLO
模
型
之
前
，
您
可
以
考
虑
以
下
⼏
个
⽅
⾯
：
YOLO
版
本
选
择
：
⽬
前
，
YOLO
系
列
有
多
个
版
本
，
如
YOLOv1
、
YOLOv2
、
YOLOv3
、
YOLOv4
、
YOLOv5
、
YOLOv6
、
YOLOv7
、
YOLOv8
等
。
每
个
版
本
都
有
其
独
特
的
特
性
和
改
进
。
您
可
以
根
据
您
的
需
求
和
应
⽤
场
景
选
择
适
合
的
版
本
。
较
新
版
本
通
常
具
有更
好
的
检
测
性
能
和
更
多
的
功
能
，
但也
可
能
需
要
更
⾼
的
计
算
资
源
。
模
型
架构
和
配
置
：
根
据
选
择
的
YOLO
版
本
，
您
需
要
获
取
相
应
的
模
型
架构
和
配
置
⽂
件
。
这
些
⽂
件
描
述
了
⽹络
的
层
次
结
构
、
参
数数
量
、
超
参
数
设
置
等
。
您
可
以从
官
⽅
的
YOLO
代
码
仓
库
或
其
他
开
源
实
现
中
获
取
这
些
⽂
件
。
预
训
练
权
重
：
为了
加
快
模
型
训
练
过
程
和
提
⾼
模
型
性
能
，
通
常建
议
使
⽤
预
训
练
权
重
。
预
训
练
权
重
是
在
⼤
规
模
数据
集
上
训
练
得
到
的
模
型
参
数
，
可
以作为
模
型
的
初
始
权
重
进
⾏
微
调
或
迁
移
学
习
。
您
可
以从
官
⽅
的
YOLO
代
码
仓
库
或
其
他
资
源
中
下
载
相
应
版
本
的
预
训
练
权
重
。
预
训
练
数据
集
：
某
些
YOLO
版
本
可
能
需
要
在
⼤
规
模
数据
集
上
进
⾏
预
训
练
，
如
COCO
、
ImageNet
等
。
这
些
数据
集
提
供了丰
富
的
图
像
和
标
注
信
息
，
有
助
于
模
型
学
习
通
⽤
的
视觉
特
征
。
在
使
⽤
预
训
练
权
重
之
前
，
确
保
您
已
经
下
载
并
准
备好
相
应
的
预
训
练
数据
集
。
⾃
定
义
数据
集
迁
移
学
习
：
如
果
您
的
应
⽤
场
景
与
预
训
练
模
型
的
数据
集
不
匹
配
，
您
可
以
进
⾏
迁
移
学
习
，
将
预
训
练
模
型在
新
的
数据
集
上
进
⾏
微
调
。
为了
实
现
这
⼀
点
，
您
需
要
将
⾃
⼰
的⽬
标
检
测
数据
集
与
预
训
练
权
重
结
合
起
来
进
⾏训
练
。
模
型
构
建
和
训
练
：
要
构
建
和
训
练
YOLO
模
型
，
您
可
以
按
照
以
下
步
骤
进
⾏
：
数据
集
准
备
：
准
备
包
含
图
像
和
标
注
信
息
的⽬
标
检
测
数据
集
，
确
保
每
个
图
像
都
有
对
应
的
标
注
⽂
件
，
其
中
包
含
了
⽬
标
的
位
置
和
类
别
信
息
。
模
型
选
择
：
选
择
适
合
您
的
需
求
和
资
源
的
YOLO
版
本
，
并
获
取
相
应
的
模
型
架构
和
配
置
⽂
件
。
确
保
您
已
经
下
载
了
预
训
练
权
重
（
如
果
适
⽤
）
和
预
训
练
数据
集
（
如
果
需
要
）
。
模
型
构
建
：
使
⽤
深
度
学
习
框架
（
如
TensorFlow
、
PyTorch
等
）
加
载
YOLO
模
型
的
架构
和
配
置
⽂
件
。
根
据
模
型
架构
，
构
建
模
型
的
⽹络结
构
和
层
次
。
权
重
初
始
化
：
根
据
模
型
架构
，
加
载
预
训
练
权
重
（
如
果有
）
。
预
训
练
权
重
可
以作为
模
型
的
初
始
权
重
，
有
助
于
加
快
训
练
过
程
和
提
⾼
模
型
性
能
。
数据
加
载
和
预
处
理
：
使
⽤
适
当
的
数据
加
载
器
从
数据
集
中
加
载
图
像
和
标
注
信
息
。
进
⾏
必
要
的
数据
预
处
理
操
作
，
如
图
像
⼤
⼩
调
整
、
数据
增
强
、
归
⼀
化
等
。
确
保
数据
加
载
和
预
处
理
的
流
程
正
确
⽆
误
。
损
失
函
数
定
义
：
定
义
YOLO
模
型
的
损
失
函
数
。
YOLO
通
常
使
⽤
多
个
损
失
项
，
如
边
界
框
坐
标
损
失
、
类
别
损
失
、
⽬
标
置
信
度
损
失
等
。
根
据
模
型
的
输
出
和
标
注
信
息
，
计
算
各
个
损
失
项
的
值
。
训
练
设
置
：
设
置
训
练
过
程
的
超
参
数
，
如
学
习
率
、
优
化
器
类
型
、
批
量
⼤
⼩
等
。
根
据
需
要
，
可
以
设
置
学
习
率
衰
减
策
略
、
正
则化
项
等
。
资源评论
