目標檢測---YOLO

• Yolo系列詳解 https://blog.csdn.net/wmymo/article/details/107815217

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

  再來綜合的看下各個Loss函數的不同點：

  IOU_Loss：主要考慮檢測框和目標框重疊面積。

  GIOU_Loss：在IOU的基礎上，解決邊界框不重合時的問題。

  DIOU_Loss：在IOU和GIOU的基礎上，考慮邊界框中心點距離的信息。

  CIOU_Loss：在DIOU的基礎上，考慮邊界框寬高比的尺度信息。

  Yolov4中采用了CIOU_Loss的回歸方式，使得預測框回歸的速度和精度更高一些。

   

• 深入淺出Yolo系列之Yolov3&Yolov4&Yolov5&Yolox核心基礎知識完整講解 https://zhuanlan.zhihu.com/p/143747206

• 目標檢測YOLO系列算法精講：從yolov1至yolov4的進階之路 https://www.pianshen.com/article/13251685194/

  mdoel	desc
  YOLOv1	2016年，Joseph Redmon、Santosh Divvala、Ross Girshick等人提出了一種單階段（one-stage）的目標檢測網絡。它的檢測速度非常快，每秒可以處理45幀圖片，能夠輕松地實時運行。由於其速度之快和其使用的特殊方法，作者將其取名為：You Only Look Once
  YOLOv2	YOLOv2借鑒了Faster R-CNN的思想，引入Anchor機制。利用K-means聚類的方法在訓練集中聚類計算出更好的Anchor模板，大大提高了算法的召回率。同時結合圖像細粒度特征，將淺層特征與深層特征相連，有助於對小尺寸目標的檢測。
  YOLOv3	2018年，特征提取部分采用darknet-53網絡結構代替原來的darknet-19，利用特征金字塔網絡結構實現了多尺度檢測，分類方法使用邏輯回歸代替了softmax
  YOLOv4	2020, Alexey Bochkovskiy YOLOv4 = CSPDarknet53（主干） + SPP附加模塊（頸） + PANet路徑聚合（頸） + YOLOv3（頭部）
  YOLOv5
  YOLOvX	曠視科技

   

• YOLO V4 — 網絡結構和損失函數解析  https://blog.csdn.net/weixin_47196664/article/details/107479182

• Pytorch搭建YoloV4目標檢測平台 https://blog.csdn.net/weixin_44791964/article/details/106214657

 

 

 

 

將大於某一閾值的框標注為正樣本，一定程度上減少了正負樣本的比例