没有合适的资源？快使用搜索试试~ 我知道了~

首页图像目标检测进阶：YOLO v3实践与历史梳理

图像目标检测进阶：YOLO v3实践与历史梳理

目标检测

YOLO

darknet

需积分: 9 2 下载量 173 浏览量更新于2024-07-18 收藏 3.47MB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

试读

46页

本文档深入探讨了图像目标检测，特别是关注于YOLO v3这一重要算法的发展与应用。首先，作者回顾了图像目标检测的基本概念，强调了目标检测与目标分割、识别、检测和跟踪之间的关系，指出目标检测的目标是同时确定对象的位置和类别。接着，文章详细介绍了YOLO系列的发展历程，从YOLO的初衷到YOLOv2的改进，再到YOLOv3的提升，包括其创新点、核心思想以及Loss函数的设计。作者重点展示了YOLOv3的显著优势，如更快的速度和更高的准确性，以及它在实践中如何通过CUDA版本、cuDNN优化、多类别支持和TensorFlow版本的实现来提高性能。在YOLOv3部分，作者深入解析了训练过程和评估指标，如精确率、准确率和召回率，帮助读者理解算法的训练策略和性能评估。此外，还提及了YOLOv2的改进，比如引入了RPN（Region Proposal Network）和多尺度训练，以及YOLOv3中引入的更复杂的结构以应对更多类别的检测任务。尽管提到YOLO自定义目标检测的部分尚未完成，但文章提到了如何利用labelImg工具进行标注以及YOLO特有的格式。作者意图通过调查当前开源库的能力，了解它们在图像分类和目标检测方面的种类识别、准确性和速度，以便为实际应用提供合适的工具和数据准备。本文不仅是一篇关于YOLO v3的教程，还涵盖了目标检测领域的历史变迁和技术发展，对于想要深入了解图像目标检测技术的读者来说，是一份详尽且实用的学习资料。

资源详情

资源推荐

1.3.1 目标分割

目标分割也就是 Target Segmentation，任务就是把目标分割出来。对于一般的光学图

像，是要提取，哪一些像素是用于表述目标的。问题可以看成是分类问题，即把每一个像素

标签化，找出感兴趣的那一类标签对应的像素；也可以是聚类问题，即不知道像素的标签，

但通过某些特征可以对像素进行分类区分开。目标分割的示例如下：

1.3.2 目标识别

目标识别也就是 Target Recognition，是一个基于分类的识别问题。在所有的给定数据

中，找出哪些是目标。这个分类的层面往往不是针对像素，而是给定的一些分类，或定义的

对象，或图像本身。

1.3.3 目标检测

目标检测也就是 Target Detection，前面已经对其进行了介绍。

1.3.4 目标追踪

目标追踪也就是 Target Tracking，这个任务涉及的数据一般是时间序列，完成这个任务

首先要目标定位。常见的情况是目标被定位以后，算法需要在后面的序列数据中，快速高效

地对目标进行再定位。为了避免不必要的重复计算，可以充分利用时间序列的相关性，可能

涉及到一些几何变换（旋转，缩放等），运动伪影处理等问题。目标追钟的示例如下：

2 YOLO

2.1 YOLO 介绍

YOLO 的官网是 https://pjreddie.com/darknet/yolo/。在开始运行其代码进行体验之前，

先看下论文的介绍，这部分主要参考 CSDN 博客：

https://blog.csdn.net/hrsstudy/article/details/70305791。

首先是第一版的 YOLO，也就是《You Only Look Once: Unified, Real-Time Object

Detection》这篇论文中提出的。YOLO 之前的物体检测方法主要是通过 region proposal 产

生大量的可能包含待检测物体的 potential bounding box ，再用分类器去判断每个

bounding box 里是否包含有物体，以及物体所属类别的 probability 或者 confidence，如 R-

CNN,Fast-R-CNN,Faster-R-CNN 等。

YOLO 不同于这些物体检测方法，它将物体检测任务当做一个 regression 问题来处理，

使用一个神经网络，直接从一整张图像来预测出 bounding box 的坐标、box 中包含物体的

置信度和物体的 probabilities。因为 YOLO 的物体检测流程是在一个神经网络里完成的，所

以可以 end to end 来优化物体检测性能。

YOLO 检测物体的速度很快，标准版本的 YOLO 在 Titan X 的 GPU 上能达到 45 FPS。

网络较小的版本 Fast YOLO 在保持 mAP 是之前的其他实时物体检测器的两倍的同时，检测

速度可以达到 155 FPS。

相较于其他的 state-of-the-art 物体检测系统，YOLO 在物体定位时更容易出错，但是

在背景上预测出不存在的物体（false positives）的情况会少一些。而且，YOLO 比 DPM、R-

CNN 等物体检测系统能够学到更加抽象的物体的特征，这使得 YOLO 可以从真实图像领域

迁移到其他领域，如艺术。

该博客的介绍是很不错的，这里就摘录了摘要部分，后面的就不记录了。

2.2 YOLO v2

YOLO v2 也就是前面第一版本的改进，全称为 YOLO9000: Better, Faster, Stronger。该

论文发表时间是 2016 年底，提出了一种检测与分类联合训练方法，使用这种联合训练方法

在 COCO 检测数据集和 ImageNet 分类数据集上训练出了 YOLO9000 模型，其可以检测超

过 9000 多类物体。

这部分参考 https://blog.csdn.net/l7H9JA4/article/details/79955903，博客介绍了许多内

容，因为我是新手，没有什么自己的理解，继续摘抄也没必要，需要细读的就到该博客上研

究下。

2.3 YOLO v3

2018 年 4 月份， YOLOv3 发布了。这里参考博客链接如下：

https://blog.csdn.net/gzq0723/article/details/79936613。

YOLO 算法，从 V1 到 V2，再到现在的 V3 系列，算法的性能在不断改进，以至于现在

成为了开源通用目标检测算法的佼佼者。对小目标检测，有很多新的算法，但是 YOLO V3

版本却做到了，它对这种距离很近的目标或者小目标有很好的鲁棒性，虽然不能百分百检测，

但是这个难题得到了很大程度的解决。YOLO V3 在 Pascal Titan X 上处理 608x608 图像速度

达到 20FPS，在 COCO test-dev 上 mAP@0.5 达到 57.9%，与 RetinaNet 的结果相近，并

且速度快了 4 倍。 YOLO V3 的模型比之前的模型复杂了不少，可以通过改变模型结构的大

小来权衡速度与精度。速度对比如下：

剩余45页未读，继续阅读

粉丝: 196
资源: 48

上传资源快速赚钱

我的内容管理展开

我的资源快来上传第一个资源

我的收益

登录查看自己的收益

我的积分登录查看自己的积分

我的C币登录后查看C币余额

我的收藏

我的下载

下载帮助

图像目标检测进阶：YOLO v3实践与历史梳理

红外图像的目标检测_识别与跟踪技术研究

3.9 基于红外图像的弱小目标检测与跟踪.rar

目标检测：20年综述

基于变换器的集合预测目标检测的再思考

视频目标检测和图像目标检测区别

matlab红外图像目标检测

视频目标检测和图像目标检测有什么区别？

传统图像目标检测matlab

遥感图像目标检测困难

遥感图像目标检测代码

对遥感图像目标检测的意义

图像目标检测技术研究现状

python 遥感图像目标检测

bifpn用于遥感图像目标检测

python 图像目标检测计数

遥感图像目标检测的现状

遥感图像目标检测的外文

Transformer在图像目标检测方面的应用

基于单发细化的目标检测算法在医学图像目标检测未来工作

遥感图像目标检测模型推荐

最新资源