做白酒用哪个分类信息网站,WordPress网站仿制,网站开发环境 对比,ui设计是什么工作YOLO系列目标检测框架之间介绍及对比 华为HCIP AI高级工程师证书#xff0c; 华为HCIA AI证书#xff0c;目前从事视觉算法工作 文章目录 YOLO系列目标检测框架之间介绍及对比前言一、YOLOv1二、YOLOv2三、YOLOv3四、YOLOv4五、YOLOv5及后续算法 前言
YOLO系列算法
YOLO 创…YOLO系列目标检测框架之间介绍及对比 华为HCIP AI高级工程师证书 华为HCIA AI证书目前从事视觉算法工作 文章目录 YOLO系列目标检测框架之间介绍及对比前言一、YOLOv1二、YOLOv2三、YOLOv3四、YOLOv4五、YOLOv5及后续算法 前言
YOLO系列算法
YOLO 创新性地通过单次网络运行实现目标检测之前的方法要么使用滑动窗口要么使用分类器每个图像需要运行数百次或数千次从而造成模型计算量大和实时性更低。更先进的方法则将任务分为两步首先识别含有物体或候选框可能存在的区域随后对这些候选框进行分类。与之不同 YOLO 采用了一种更为直观的方法仅通过回归分析来直接预测检测结果巧妙地平衡了实时性与准确性的需求大幅提升了目标检测领域的效率和效果。 一、YOLOv1
YOLOv1 算法引入网格划分机制输入的图像被划分为一个 7×7 的单元网格当检测到物体的中心落在某个网格的中心时这个网格就会负责预测这个物体。对于每一个单元网格都会预先生成两个边界框而且只预测一个目标每个边界框包含边界框坐标信息和置信度得分最终的预测特征由边框的位置、边框的置信度得分以及类别概率组成。作为一阶段目标检测算法的代表YOLO 利用其特有的网格分割预测策略机制成功地跳过了传统候选区域生成的计算步骤大大减少了算法的复杂性并显著加快了检测的速度。
二、YOLOv2
在确保检测速度不变的前提下针对 YOLOv1 算法存在的问题YOLOv2 算法进行了若干优化和完善。首先YOLOv2 算法在所有的卷积层上进行了批量归一化处理这一方法不仅提高了模型的收敛性还减少了对其他正则化形式的依赖。接下来YOLOv2 算法采用了更高分辨率的图像来对模型进行预先的训练从而增强了网络在高分辨率输入条件下的表现同时通过融合卷积操作与先验框策略来进行边界框及其分类的预测这不仅加快了数据处理和预测流程而且还通过提高特征图的分辨能力为后续的分类运算奠定了坚实的基础。这种方法有效地增强了算法对于目标特征的捕捉能力从而提供了更准确、更细腻的预测结果。 经过改进后其优势变得尤为明显通过对 YOLOv2 每一个卷积层都做了归一化改善了模型收敛性使得平均精度均值提高了 2%通过使用高分辨率图像来训练模型来匹配模型对高分辨率图像输入的适应能力从而使得模型的平均精度平均提升了 4%参考了两阶段检测算法中的先验框预测边界框策略并采用 k-means方法对训练集的边界框进行聚类这使得模型能够独立地找到最适合的锚框尺寸从而节约大量时间资源。YOLOv2 使用的新的分类模型被称为 Darknet19 作为骨干架构Darknet19 整体上卷积操作比 YOLOv1 中更少从而使计算量更少。此外YOLOv2 还使用联合训练法来提高 模型的泛化能力。
三、YOLOv3
针对 YOLOv2 的缺陷YOLOv3 将当时一些较好的检测思想融入到了该版本的 YOLO系列中在保持速度优势的前提下进一步提升了检测精度。YOLOv3 主要做了三个方面的改进(1)继续吸收了当时优秀的检测框架的思想如残差网络和特征融合等提出新的网络结构称之为 DarkNet53DarkNet53 借鉴残差连接的思想在基础网络中大量使用了残差连接并且缓解了在训练中梯度消失的问题使得模型更容易收敛很大程度上提高了数据表征能力。(2)采用多尺度预测YOLOv3 巧妙地输出三种不同尺寸的特征图依次对应于深层、中层和浅层特征的提取。深层特征图的尺寸较小但感受野更广这使其特别适合于大尺寸物体的检测。相反浅层特征图则具有较大的尺寸和较小的感受野从而更加专注于小尺寸物体的检测这种分层的方法大幅增强了模型对不同尺寸物体的检测能力。(3)Logistic 函数替代 Softmax 函数来优化类别预测得分的处理。这一变更背后的逻辑在于 Softmax 函数在输出多个类别预测时存在相互抑制的问题导致仅能预测单一类别。相比之下Logistic 分类器的设计保证了预测的独立性从而使得对多个类别的同时预测成为可能显著增强了模型的多类别识别能力。
四、YOLOv4
2020 年提出的 YOLOv4 算法在一个阶段内完成特征提取、位置回归和分类识别的任务实现了检测的实时性与高精度的完美平衡。YOLOv4 改善了骨干网络结构引入了专为解决特征图冗余问题设计的 CSPDarknet53 网络。这一网络结构深刻认识到不同通道的特征图中往往蕴含相似的信息通过对这些冗余信息的精细优化处理极大提升了算法的处理效率与性能表现。进一步地YOLOv4 在继承其前代技术基础上进行了深度优化将 DarkNet53 中的 LeakyReLU激活函数替换为更为先进的 Mish激活函数。同时通过引进 Dropblock 技术该算法随机丢弃部分神经元既简化了网络架构也提高了模型的泛化能力。在网络的“Neck”部分YOLOv4 采纳了包含 SPP 模块和路径聚合网络(Path Aggregation Network, PAN)结构的创新性改进其中 SPP 模块通过最大池化技术对特征图执行深层次卷积扩大了特征的感受范围而 PAN 结构通过有效的特征融合策略显著增强了模型的精确度。在输入端YOLOv4 通过 Mosaic 数据增强技术的巧妙运用随机组合四张图片这不仅极大地丰富了训练数据集同时也显著减少了 YOLOv4 算法对GPU 资源的过度依赖从而进一步优化了算法的性能。
五、YOLOv5及后续算法
YOLOv5 的网络架构融合了当时最新的目标检测技术思想旨在进一步提升模型的训练效率和检测准确度。
在此基础上YOLOv6 和 YOLOv7 通过借鉴参数结构化策略来优化网络架构在保持较好的多尺度特征融合能力的同时也能保持网络架构高效的推理。而 YOLOv8则在保持 YOLOv5 基本架构的前提下在 Backbone 中将 YOLOv5 的 C3 模型结构进行梯度流的优化换成了梯度流更加丰富的 C2f 结构并对不同尺度模型的通道数进行了不同的调整加强网络的特征提取和推理速度优化以实现 性能的进一步提升。在 Head 部分采用解耦头的设计将分类与检测任务进行分离同时锚框也从 Anchor based 换成了 Anchor free。相比较 YOLOv5 而言YOLOv8 属于对模型结构精心微调不再是像 YOLOv6 和 YOLOv7 那样把一套新的参数应用所有模型YOLOv8 大幅提升了模型性能不过YOLOv8 的 C2f 模块中的 Split 操作对特定硬件进行部署不如 YOLOv5 模型结构更加友好。对 YOLOv1-YOLOv8 算法架构、算法框架、是否锚框和公共数据集上取得性能报告进行对比。
