YOLO V2 代碼分析
先介紹YOLO[轉]： 第一個顛覆ross的RCNN系列，提出region-free，把檢測任務直接轉換為回歸來做，第一次做到精度可以，且實時性很好。 1. 直接將原圖划分為SxS個grid cell，如果有物體的中心落到這個格子里那么這個格子的gt就是這個物體。 2. 每個格子被指定的gt需要 ...
原文：YOLO v2 損失函數源碼分析
損失函數的定義是在region layer.c文件中，關於region層使用的參數在cfg文件的最后一個section中定義。 首先來看一看region layer 都定義了那些屬性值： 注 : 這里的 應該是限制了每幀圖像中目標的最大個數，個人認為應該和 注 相關，但這里設為了定值 注 : 應該和注 相關，即再調用make region layer方法之前定義，並將后面的 都替換成 l.max ...
2017-08-25 19:50 2 10605 推薦指數：
相關推薦
【源碼解讀】YOLO v3 訓練 - 05 損失函數loss
摘要 在損失函數計算的過程中，需要對模型的輸出即 feats進行相關信息的計算。 ---- 在yolo_head中 當前小網格相對於大網格的位置（也可以理解為是相對於特征圖的位置） loss的計算時每一層結果均與真值進行誤差的累加計算。 YOLO v3的損失函數與v ...
yolo v2記錄
這里主要從輸入數據增量、新增層和檢測層的處理三個方面來說下v2版本，文中使用的參數和數值為代碼中默認值並以voc數據集為例來說明的。 一．輸入數據處理 V2版本處理具有前一個版本對數據增量處理方式外，還新增了對輸入圖像的色度、飽和度、曝光的處理，這三個分量都采用了和jitter類似 ...
yolo v2使用總結
以下都是基於yolo v2版本的，對於現在的v3版本，可以先clone下來，再git checkout回v2版本。 玩了三四個月的yolo后發現數值相當不穩定，yolo只能用來小打小鬧了。 v2訓練的權重用v3做預測，結果不一樣。 我的環境是 window 10 ...
目標檢測之YOLO V2 V3
YOLO V2 YOLO V2是在YOLO的基礎上，融合了其他一些網絡結構的特性（比如：Faster R-CNN的Anchor,GooLeNet的\(1\times1\)卷積核等），進行的升級。其目的是彌補YOLO的兩個缺陷： YOLO中的大量的定位錯誤 和基於區域推薦的目標檢測 ...
yolov1， yolo v2 和yolo v3系列
目標檢測模型主要分為two-stage和one-stage， one-stage的代表主要是yolo系列和ssd。簡單記錄下學習yolo系列的筆記。 1 yolo V1 yolo v1是2015年的論文 you only look once：unified，real-time ...
Darknet windows移植(YOLO v2)
Darknet windows移植 代碼地址: https://github.com/makefile/darknet 編譯要求: VS2013 update5 及其之后的版本(低版本對C++標准 ...
YOLO V2論文理解
概述 YOLO（You Only Look Once: Unified, Real-Time Object Detection）從v1版本進化到了v2版本，作者在darknet主頁先行一步放出源代碼，論文在我們等候之下終於在12月25日發布出來。 新的YOLO版本論文全名叫“YOLO ...