yolov

论文笔记：YOLO9000: Better, Faster, Stronger YOLO9000是一种实时目标检测系统，可以检测超过9000种类别的物品。其通过一系列改进和优化，产生了YOLOv2，使得在保持准确率的同时，实现快速检测。YOLOv2在PASCAL VOC和COCO数据集上达到了当前最好的结果。进一步，通过采用多尺度训练方法，YOLOv2可以根据速度...

首先介绍了WordTree的概念，它通过结合检测与识别数据集中的类别，解决类别间包含关系问题，如狗包含哈士奇。接着，阐述了YOLO升级版的两种版本：YOLOv2与YOLO9000。其中，YOLO9000在V2的基础上引入了WordTree结构，并使用了ImageNet与COCO作为训练集，以实现对9000类别的实时检测。加入BN层，通过避免过拟合...

聚焦于速度与效率，Yolo-FastestV2以令人惊喜的速度跃升至顶尖行列，其在移动端的性能达到了惊人的300FPS，同时，参数量仅250k，这无疑在速度与轻量化之间找到了完美的平衡。初探Yolo-Fastest的愿景，其目标是为轻量化目标检测提供新解，早期轻量化解决方案如Mobilenet-SSD虽在部分设备上展现出不俗的...

YOLOv1奠定了YOLO系列的基础，其设计思想采用了one-stage方法，通过将输入图像划分为多个网格，每个网格预测边界框与置信度得分，实现了快速且直接的物体检测。它将分类与定位集成在单个网络中，显著提高了检测效率。在后续版本中，YOLOv2与v3在YOLOv1的基础上进行了优化与改进。YOLOv2通过引入批量归一化、...

high resolution classifier： 所有最顶尖的检测算法都使用了基于ImageNet预训练的分类器。从AlexNet开始，大多数分类器的输入尺寸都是小于256x256的。最早的YOLO算法用的是224x224，现在已经提升到448了。这意味着网络学习目标检测的时候必须调整到新的分辨率。 对于YOLOv2，作者一开始在协调分类网络(指...

目标检测算法YoloV15详解及代码实现概述YoloV1： 核心思想：通过多类回归和多检测头处理多类目标检测问题，实现一次扫描定位所有目标，提高检测效率。 关键技术：引入NMS避免目标重复检测，但NMS仅依赖IoU计算重叠面积，存在局限性。YoloV2： 优化点：调整了网络结构，引入kmeans聚类筛选anchor_box，增强模型...

训练时可能会出现 段错误 这个问题，不要着急，这个是因为数据集部分数据有问题。一般情况下段错误是因为越界问题造成的，但是源码本身是没有问题的，只能是数据的问题了，由上图可以看出，标签框的位置可能会超出图像边框的位置（这感觉也是越界），或者和边界重合，类似于右下角的红框（虽然我感觉没问题...

多尺度技术在目标检测中扮演重要角色，包括训练与测试阶段。以YOLOv2与FCOS为例，多尺度训练涉及随机调整输入图像大小，以便模型适应不同尺寸的目标。在YOLOv2中，每10个训练批次后，随机选择一个尺度进行训练，测试则固定使用416x416。FCOS的训练过程通过动态控制短边大小，达到调整输入图像尺寸的效果。这...

网格划分：YOLO将输入图片划分为一系列网格，每个网格负责检测中心落在该网格内的目标。边界框定义：每个边界框由定义，其中是相对于网格中心的偏移量，是相对于图片大小的比例。置信度与类别概率：置信度：由目标存在概率和边界框的精度共同决定。类别概率：预测每个边界框可能属于的类别概率。在YOLOv2中，...