目标检测---YOLO

• Yolo系列详解 https://blog.csdn.net/wmymo/article/details/107815217

  https://blog.csdn.net/qq_40314507/article/details/90346960

  再来综合的看下各个Loss函数的不同点：

  IOU_Loss：主要考虑检测框和目标框重叠面积。

  GIOU_Loss：在IOU的基础上，解决边界框不重合时的问题。

  DIOU_Loss：在IOU和GIOU的基础上，考虑边界框中心点距离的信息。

  CIOU_Loss：在DIOU的基础上，考虑边界框宽高比的尺度信息。

  Yolov4中采用了CIOU_Loss的回归方式，使得预测框回归的速度和精度更高一些。

   

• 深入浅出Yolo系列之Yolov3&Yolov4&Yolov5&Yolox核心基础知识完整讲解 https://zhuanlan.zhihu.com/p/143747206

• 目标检测YOLO系列算法精讲：从yolov1至yolov4的进阶之路 https://www.pianshen.com/article/13251685194/

  mdoel	desc
  YOLOv1	2016年，Joseph Redmon、Santosh Divvala、Ross Girshick等人提出了一种单阶段（one-stage）的目标检测网络。它的检测速度非常快，每秒可以处理45帧图片，能够轻松地实时运行。由于其速度之快和其使用的特殊方法，作者将其取名为：You Only Look Once
  YOLOv2	YOLOv2借鉴了Faster R-CNN的思想，引入Anchor机制。利用K-means聚类的方法在训练集中聚类计算出更好的Anchor模板，大大提高了算法的召回率。同时结合图像细粒度特征，将浅层特征与深层特征相连，有助于对小尺寸目标的检测。
  YOLOv3	2018年，特征提取部分采用darknet-53网络结构代替原来的darknet-19，利用特征金字塔网络结构实现了多尺度检测，分类方法使用逻辑回归代替了softmax
  YOLOv4	2020, Alexey Bochkovskiy YOLOv4 = CSPDarknet53（主干） + SPP附加模块（颈） + PANet路径聚合（颈） + YOLOv3（头部）
  YOLOv5
  YOLOvX	旷视科技

   

• YOLO V4 — 网络结构和损失函数解析  https://blog.csdn.net/weixin_47196664/article/details/107479182

• Pytorch搭建YoloV4目标检测平台 https://blog.csdn.net/weixin_44791964/article/details/106214657

 

 

 

 

将大于某一阈值的框标注为正样本，一定程度上减少了正负样本的比例