2018 december 04
yolo系列總結
相比 rcnn系列，yolo 系列的主要缺點：
主要原因是每個網格**固定數量的物體使候選框數量減少；
yolo v1
yolo v2—— darknet19
yolo v3—— darknet53
yolo v1—— 無
yolo v2—— 維度拼接，一次，第 16 層 26x26x512 → 13x13x2048 與第 24 層拼接；
yolo v3—— 維度拼接，兩次
yolo v1—— 兩層全連線層；
yolo v2—— 無（大大減少了引數規模）；
yolo v3—— 無
yolo v1—— 無
yolo v2—— 無
yolo v3—— 非線性插值法，上採用兩次；
yolo v1—— 無
yolo v2
yolo v3
yolo v1—— grid cell
yolo v2—— anchor box + offset + sigmoid activation
yolo v3—— 同 v2;
yolo v1
yolo v2
yolo v3—— 同 v2;
yolo v1—— 預訓練模型輸入大小為 224x224，檢測模型輸入大小為 448 x 448；
yolo v2—— multi-scale training：每個 10 個 batches 隨機選擇一種解析度輸入（320~608，32的倍數）;
yolo v3—— 同 v2;
yolo v1
yolo v2
yolo v3—— 同 v2;
yolo v1—— 也使用了 bn，同時在 fc 中使用 dropout
yolo v2—— 取消 dropout 均使用 bn：提公升模型泛化能力的同時使得模型更容易收斂；
yolo v3—— 同 v2;
yolo v1——
yolo v2—— sgd
yolo v3
yolo v1
yolo v2—— softmax loss
yolo v3—— logistic loss
yolo v1—— 對寬高都進行開根，使得**相同的偏差時更小的框產生更大的損失；
yolo v2—— 使用 $2 - w_*h_$，使小物體的懲罰比大物體重；
yolo v3—— 同 v2;
我的yolo系列總結
探索資料集製作過程中的一些筆記。處理時基本都是利用excel，txt，csv進行，更新中。主要記錄了一些txt的合併，後來發現對於乙個python不是很熟的人，其實結合excel更快 主要記錄了一些如果資料集是按照類別放的話，直接讀取不是很方便，但是將目錄拼起來直接讀取更方便些 主要記錄了一些批量修...
YOLO系列概覽
1.yolo v1 採用乙個24層的卷積網路加2個全連線層。將畫面分成s s個部分，每個部分負責 b個框，每個框有x，y，w，h，confidence 是否有目標，iou為多少 五個 引數。在voc資料集中，有20個類別。演算法中，b 2，即每個分格 2個框。所以，最後的輸出向量維度為s s 30,...
YOLO演算法總結
步驟 1.輸入 608,608,3 2.經過cnn處理，輸出 19,19,5,85 3.展開以上矩陣後為 19,19,425 每個19 19的網格裡有425個數字 425 5 85，每個網格裡有5個achor box，achor box中有85個數字 85 5 80，pc,bx,by,bw,bh,c...