yolov1背景:yolov1训练时的分辨率:224×224;测试时:448×448。 yolov2背景:yolov2保持yolov1的操作不变,但在原训练的基础上又加上了(10个epoch)的448×448高分辨率样本进行微调,使网络特征逐渐适应 448×448 的分辨率;然后再使用 448×448 的样本进行测试,缓解了分辨率突然切换造成的影响。 目的:使得网络模型...
第四步:对框进行调整,超出截取区域的要进行边缘处理。 二、YOLO v5做出了那些改进 (1)网络模型 YOLO v5在网络结构上没有过多的改进,继续沿用了YOLOv4的网络架构。但是在YOLO v4的基础上又进行了改进,但是其在技术上的改进并不大,其主要改进是让其框架更加方便使用者的使用,让框架更加完善。 例如在激活函数上将...
yolo之前版本直接对mask矩阵为true的地方赋值1,mask矩阵为false的地方赋值0,认为只要mask为true就表示对应预测框完美包围了目标。这样做就太绝对了,因为mask为true只是表示该预测框在目标附近而已,并不一定完美包围了目标。所以yolov5改变了做法:对mask为true的位置不直接赋1,而是计算对应预测框与目标框的CIOU,使用CIOU...
yolov5网络损失函数包括矩形框损失、置信度损失和分类损失，通过加权和计算总损失。yolov5使用CIOU loss计算矩形框损失，置信度和分类损失则使用BCE loss。mask掩码矩阵在训练过程中用于确定哪些预测框需要计算损失，通过解析json标签文件，判断每个预测框是否包含目标，并设置掩码矩阵相应位置为true或false。矩形...
三、巅峰之作:yolov3 (3.3.1)Multi-Scale多尺度检测(yolov3版) (3.3.2)多标签分类:softmax()改成logistic() (3.1)性能表现 (3.2)网络模型(Darknet-53) (3.3)改进之处 四、大神接棒:yolov4 (4.3.1)马赛克(Mosaic)数据增强 + CutMix数据增强
YOLOv4 YOLOv3 YOLOR YOLOX略。 二、Windows10环境配置 三步解决win环境配置: 1、安装vs2019、Nvidia驱动、cuda,cudnn、opencv、tensorrt; 2、创建属性表; 3、工程设置,运行; 问题:为什么使用vs2019属性表,而不用cmake? 回答:因为属性表可以做到:一次创建,到处使用。 提示:如果您一定需要使用cmake+vs2019 or ...
我们前文讲过,yolov5对每个格子预测3个不同位置和大小的矩形框,其中每个矩形框的信息为矩形中心的x坐标、y坐标,以及矩形宽、高。假设对某个格子预测的矩形框为(xp, yp, wp, hp),该格子对应的目标矩形框为(xl, yl, wl, hl),下面依次讲解几种最常见的矩形框损失函数的计算原理。 L1、L2、smooth L1损失函...
我们前文讲过,yolov5对每个格子预测3个不同位置和大小的矩形框,其中每个矩形框的信息为矩形中心的x坐标、y坐标,以及矩形宽、高。假设对某个格子预测的矩形框为(xp, yp, wp, hp),该格子对应的目标矩形框为(xl, yl, wl, hl),下面依次讲解几种最常见的矩形框损失函数的计算原理。 L1、L2、smooth L1损失函...