Sekyoro的博客小屋
·
目标检测学习_P3
💡
原文中文，约1100字，阅读约需3分钟。
📝
内容提要
本文介绍了YOLO系列物体探测器的发展历程，包括YOLOv2、YOLOv3、YOLOv4、YOLOv5、PP-YOLO和Scaled YOLOv4等模型。这些模型都采用了将图像划分为网格的方法，并使用边界框回归来预测对象的属性。
🎯
关键要点
- YOLO模型是快速实时物体探测器的首次尝试，省略区域建议步骤，进行快速推理。
- YOLO通过将图像划分为网格并使用边界框回归来预测对象的属性。
- 边界框用于高亮显示图像中具有特定属性的对象，YOLO使用单边界框回归进行预测。
- IOU（并集交集）用于评估预测边界框与实际框的重叠程度，IOU等于1表示完美匹配。
- YOLOv2于2017年发布，进行了多次架构改进，包括BatchNorm和更高分辨率。
- YOLOv3于2018年发布，增加了边界框预测的客观性分数和多级别预测。
- YOLOv4于2020年发布，引入了功能聚合和其他改进。
- YOLOv5于2020年发布，是PyTorch实现，具有马赛克数据扩展和自动学习边界框锚定。
- PP-YOLO于2020年发布，旨在实现效率与有效性的平衡，适用于当前应用场景。
- Scaled YOLOv4于2020年发布，使用跨阶段部分网络增加网络大小，保持准确性和速度。
- PP-YOLOv2于2021年发布，对PP-YOLO进行了小修改以提升性能。
➡️
