【目标检测-YOLO】YOLO v4 总结（第四篇）

阅读量：

1. YOLO v4 架构总结

YOLO	Input	Backbone	Neck	Head	置信度Loss	坐标回归Loss	分类Loss
v1	448*448	GoogleNet	FC*2	MSE
v2	32x	DarkNet-19	Passthrough	Conv	MSE
v3	32x	DarkNet-53	FPN	Conv	BCE	(x,y) BCE (w,h) MSE	BCE
v4	32x	CSPDarkNet-53	SPP PAN	同v3	BCE	CIOU	BCE

2. YOLOv4 损失函数

正负样本划分

在YOLOv3中，每一个标注框都只有一个正样本。

YOLO v3 在正负样本分配方面进行了参考性研究：

在损失函数设计中引入了权重参数w_c和w_b分别用于类别平衡和定位精度的调节：

在分类器设计中提出了将锚框与目标框进行匹配以确定正样本的技术：

针对数据集进行了系列实验并获得了令人满意的实验结果：

该算法采用了基于Multi Anchor策略的设计理念，在预测阶段将候选锚框与目标框进行匹配时引入了IoU（交并比）指标作为判断依据。具体而言，在预测阶段若目标框与其锚框（位于该目标框中心位置）之间的IoU超过设定阈值，则将该候选锚框标记为对应的目标框匹配锚框；若其对应的多个候选锚框均未能满足这一条件，则不再存在未标记为正负样本的情况。值得注意的是，在这一改进过程中，并非所有的潜在小目标都会被识别出来——这些原本在YOLOv3中会被忽略掉的小目标尺寸异常的小物体，在改进后的算法设计中则被重新识别并标记为有效的正样本候选体。这种改进不仅能够使算法更好地捕捉到更多潜在的目标实例，在实际应用中的检测性能也会因此得到显著提升。

YOLO v5 又不同了：把周围3×3邻域里的anchor box全给考虑进来。待填坑...

YOLOv4网络结构采用了多层次卷积操作对图像进行特征提取，并结合先进的锚框生成机制实现目标检测的核心算法。该方法通过多层卷积操作提取图像特征的同时能够有效识别复杂的物体并进行精准定位其在网络中的应用已在多个领域取得了显著的效果

负样本置信度损失和v3一样
$L = um_{i=0}{w}\sum_{j=0}{h}um_{n=0}^{A}1_{maxIOU<0.7} verset{at{C}=0}{ightarrow}um_{i=0}{w}\sum_{j=0}{h}um_{n=0}^{A}1_{maxIOU<0.7}$

正样本

置信度损失
$L = um_{t=0}{T}\sum_{n=0}{A}1_{maxIOU=>0.7} verset{at{C}=1}{ightarrow}um_{t=0}{T}\sum_{n=0}{A}1_{maxIOU=>0.7}$

分类损失

$L = um_{t=0}{T}\sum_{n=0}{A}1_{maxIOU=>0.7}um_{cls=0}^{classes}$ 坐标损失： 定位损失采用的是CIoU损失

该算法新增了多个功能模块，在实现目标检测的同时也加入了优化技术以提升整体性能水平。其中重点在于目标检测精度的优化以及后端计算能力的增强。具体而言,模型速度提升了约8%, 检测精度提高了1.5%, 并且推理时间缩短至0.03秒左右以内的水平。经过这些优化,YOLOv4在目标检测任务中不仅提升了精度,还显著加快了运行速度,展现出更强的整体效能。

L = um_{t=0}{T}\sum_{n=0}{A}1_{maxIOU=>0.7}L_{CIOU}

综上，总的损失为：
$L_{all}=L+L+L+L=um_{i=0}{w}\sum_{j=0}{h}um_{n=0}{A}1_{maxIOU<0.7}[-ln(1-C)]+\sum_{t=0}{T}um_{n=0}^{A}1_{maxIOU=>0.7}eft +L_{CIOU}+um_{cls=0}^{classes}ight$

3. 思考

4. 推理

5. YOLO v4的优缺点

参考

全部评论 (0)

还没有任何评论哟~

【目标检测-YOLO】YOLO v4 总结（第四篇）

1\.YOLOv4架构总结 YOLOInputBackboneNeckHead置信度Loss坐标回归Loss分类Loss v1448448GoogleNetFC2MSE v232xDarkNet19P...

【目标检测-YOLO】YOLO v4 更多细节（第三篇）

上文详解了YOLOv4的网络架构。本文探讨下YOLOv4使用的trick。对于目标检测任务，分为Backbone,Neck,Head部分。其中Backbone常在ImageNet上进行图像分类的预训...

【目标检测-YOLO】YOLO v2总结

目录 yolov2架构总结模型细节 yolov2损失函数 Loss总结正负样本理解推理（VOCdata上）思考： YOLOv2的优缺点：优点：缺点：如何优化YOLOv2? 参考 yolo...

《YOLO 目标检测》—— YOLO v4 详细介绍

文章目录一、整体网络结构 1\.YOLOv4网络结构图 2.对之前版本改进创新的概括二、对改进创新部分的具体介绍 1\.输入端创新 2\.Backbone主干网络创新 CSPDarknet53 M...

《YOLO 目标检测》—— YOLO v4 详细介绍

【目标检测-YOLO】YOLO v4 架构以及网络详解（第二篇）

0\.YOLOv4概览 1\.BagoffreebiesBoF 不增加推理成本但能够提升目标检测精度的改变训练策略或增加训练成本的方法，称为BoF。 2\.BagofspecialsBoS 增加少量推...

目标检测 | YOLO v4、YOLO v5、YOLO v6理论讲解

☀️教程：霹雳吧啦Wz ☀️<https://space.bilibili.com/18161609/channel/seriesdetail?sid=244160 一、YOLOv4 YOLOv4在2...

【目标检测-YOLO】YOLOv3总结

YOLOv3架构总结图来自：搭建yolov3 前文总结：v3论文中x,y,w,h为MSE，而官方代码中为下表。 YOLOInputBackboneNeckHead置信度Loss坐标回归Loss分类L...

【目标检测-YOLO】YOLO_V1总结

前文链接：图像分类和目标检测中的正负样本划分以及架构理解在前文中，我们对目标检测有了基本的认识。本文是在前文的基础上，梳理下YOLOv1算法，v1是理解v2v5的基础。本节将不再详细介绍v1的论文...

【目标检测-YOLO】YOLOX（第一篇）

文章链接：<https://arxiv.org/pdf/2107.08430.pdf YOLOX是2021年8月旷视发布的一篇论文，它是继YOLOv1后第一篇Anchorfree的YOLO目标检测框架...

是否确定退出登录?

【目标检测-YOLO】YOLO v4 总结（第四篇）

1. YOLO v4 架构总结

2. YOLOv4 损失函数

正负样本划分

3. 思考

4. 推理

5. YOLO v4的优缺点

参考

全部评论 (0)

相关文章推荐

【目标检测-YOLO】YOLO v4 总结（第四篇）

【目标检测-YOLO】YOLO v4 更多细节（第三篇）

【目标检测-YOLO】YOLO v2总结

《YOLO 目标检测》—— YOLO v4 详细介绍

《YOLO 目标检测》—— YOLO v4 详细介绍

【目标检测-YOLO】YOLO v4 架构以及网络详解（第二篇）

目标检测 | YOLO v4、YOLO v5、YOLO v6理论讲解

【目标检测-YOLO】YOLOv3总结

【目标检测-YOLO】YOLO_V1总结

【目标检测-YOLO】YOLOX（第一篇）