你将收获

YOLO模型的原理介绍

模型优化模块解析及功能介绍

实战项目:车辆检测

适用人群

想转型人工智能领域,并想往计算机视觉方向发展的工程师

课程介绍

本章节详细讲解YOLO系列模型,并通过实战项目的操作,掌握模型的原理及应用。

课程讨论

YOLOV3之Darknet-53-01,中关于yolov3的速度比较中讲到, yolov3-608, 51毫秒 mAP 33.0 ,请问老师,mAP 33.0在现实生活中相当于什么样的一个识别度。谢谢
YOLO 初始将分辨率设为224 ,后来调整到448,这个数值本身有什么特殊考量吗。 总觉得计算机算法中天然倾向于用2的n次方的数据
不知所云,原理的重点和难点部分讲的乱七八糟

同学笔记

  • weixin_45386895 2020-08-02 14:35:48

    来源:YOLOV4模型原理介绍-01 查看详情

    目标检测模型分为两类:RCNN系列和YOLO,SSD,RetinaNet等

    backbone:主干网络。大多数时候指的是提取特征的网络。其作用就是提取图片中的信息,供后面的网络使用。

    neck:为了更好的利用backbone提取的特征,一般放在head和backbone之间

     

  • weixin_45386895 2020-08-02 10:25:57

    来源:YOLOV之Darknet-19网络讲解-02 查看详情

    随机梯度下降,初始学习率0.1,速率衰减为4,权重,动量0.9,160epochs

  • autonomous_csdn 2020-07-29 22:45:25

    来源:模型优化模块解析及功能介绍-05 查看详情

    NMS(Non-Maximum Suppression)算法本质是搜索局部极大值,抑制非极大值元素。NMS就是需要根据score矩阵和region的坐标信息,从中找到置信度比较高的bounding box。NMS是大部分深度学习目标检测网络所需要的,大致算法流程为:

    1.对所有预测框的置信度降序排序

    2.选出置信度最高的预测框,确认其为正确预测,并计算他与其他预测框的IOU

    3.根据2中计算的IOU去除重叠度高的,IOU>threshold就删除

    4.剩下的预测框返回第1步,直到没有剩下的为止

     

    Proposal:产生proposal区域后,使用每类网络给出每个框的每类置信度,使用回归网络修正位置,最终应用NMS。目的是在目标检测中消除多余的检测框,找到最佳的物体检测的位置。

没有更多了