YOLOV3学习笔记（噼里啪啦up主）

原创 已于 2022-04-04 16:51:55 修改 · 1.1k 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#学习 #目标检测 #深度学习

于 2022-03-11 10:32:41 首次发布
本文详细介绍了YOLOV3中的IOU损失函数及其改进，从IOU Loss到GIOU Loss再到DIU Loss和CIU Loss，探讨了如何解决候选框选择问题，并涵盖了多GPU训练、样本平衡和不同阶段的权重调整。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

YOLOV3学习笔记（噼里啪啦up主）

YOLOV3上面的IOU LOSS是错误的，因为在两个候选框和目标框围成的面积相同时，YOLOV3并没有告诉网络应该选哪个候选框。

在这里插入图片描述
2.

在YOLOV3中判断候选框是否有目标物体，confidence是重要指标，而在YOLOV3中confidence大小，是通过IOU loss 判断的。

YOLOV3上IOU LOSS 计算方式如下图所示：

在这里插入图片描述
2.1是对YOLOV3中的iou loss计算的第一次改进
在这里插入图片描述
2.2
GIOU LOSS 的不足的地方
在这里插入图片描述
2.3由于GIOU LOSS也存在不足，所有又进行了改进，DIUO LOSS ，这个损害函数计算方法，解决了YOLOV3本身的IOU loss 的不足，也解决了GIOU LOSS的不足，

在这里插入图片描述
2.4
但是Diou LOSS 依然不是最完美的，因为它还有不足，状态2更好，因为状态2框的形状和目标框的形状更接近。所以提出了最终的CIUO LOSS
在这里插入图片描述
2.5

在这里插入图片描述

2.6在做NMS时使用的是DIOU LOSS

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

后面4个数据是目标边界框的相对位置
在这里插入图片描述

图片的路径
在这里插入图片描述
6.

在这里插入图片描述
7.
在这里插入图片描述

在这里插入图片描述
9.
在这里插入图片描述
10.

在这里插入图片描述
freeze-layers 设置成True就只会训练下面这些，其他的权重会被冻结
在这里插入图片描述

freeze-layers 设置成fALSE就只会冻结Darknet53这个网络，其他权重会得到训练。

在这里插入图片描述

如果要想得到好的效果，可以把frezee_layer 设置为True，让它训练最后3个分类层，然后把freeze_layer设置成Flase，让它训练除Darknet的其他权重。
在这里插入图片描述
12.
多GPU并行指令。
在这里插入图片描述
13.

在这里插入图片描述
14.

在这里插入图片描述
15.

平衡正负样本，但是由于cls_pw和obj_pw都是取值为1，所以在这来是没有用的
在这里插入图片描述
16.

25是每个候候选框的预测信息
在这里插入图片描述

5个值加20个类别= 25
在这里插入图片描述

这里面会保存，训练过程中产生的一系列文件。

在这里插入图片描述

18.会生成一系列的COCO数据集的评判标准。
在这里插入图片描述

19.查看训练过程中生成的图像
在这里插入图片描述

在这里插入图片描述

21.对最后的损失求平均的操作。
在这里插入图片描述
22.默认都没有去使用
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
25、

YOLOV3中 IoU的探究
CookieCheng的博客
07-22 775
IoU= Intersection over Union Generalized Intersection over Union GIoU=1- IoU+ 覆盖方框-并集/覆盖方框 DIoU=1-IoU+ 中心欧氏距离/对角距离 CIoU=DIoU+ 长宽比的反正切值的平方距离 CIoUCIoUCIoU原始公式： v=4π2(arctanwgthgt−arctanwh)2v=\frac{4}{\pi^2} (arctan\frac{w^{gt}}{h^{gt}} - arctan\frac{w}{h}
Yolov5学习笔记
qq_54509965的博客
09-12 842
该博主写的确实不错。
Pytorch实现YOLOv3目标检测
qq_36523203的博客
09-29 2019
本教程使用的代码需要运行在 Python 3.5 和 PyTorch 0.3 版本之上。 你可以在以下链接中找到所有代码：https文章目录一，YOLO工作原理1，全卷积神经网络2，输出3，二，创建YOLO网络层级三，实现网络的前向传播四，目标置信度阈值和非极大值抑制五，设计输入和输出管道 一，YOLO工作原理 1，全卷积神经网络 FCN 75个卷积层，跳过连接和上采样，不适用任何形式的池化，使用步幅为2的卷积层对特征图进行下采样。这有助于防止通常由池化导致的低级特征的丢失。 作为 FCN，YOLO 对于输
YOLOv3中计算iou的细节
chainfitness的博客
08-27 1762
#结论: YOLO中计算iou时不考虑中心点坐标，只考虑宽高。即强制把GTbox和anchor的中心点重合（在此gridcell中重合，也就是gridcell的原点）粗暴的计算GTbox和anchor的iou。 这点和faster-rcnn中计算iou的方式（计算iou时采用（x，y，w，h）四个点坐标）并不一样。 #为什么可以这么做呢？ 因为得益于YOLO的特性，只要GTbox的中心落在某个gridcell中，那么这个GTbox就归这个gridcell管。在衡量iou时，只需要得到anchor与GTbox
yolov3 代码中iou 交并比理解
luoganttcc的博客
05-04 942
#!/usr/bin/env python3 # -*- coding: utf-8 -*- """ Created on Tue May 4 19:50:35 2021 @author: ledi """ import numpy as np a=np.array([ [[ 40, 90], [70, 60]] ]) anchor_maxes = a/ 2. anchor_mins = -anchor_maxes b=np.array([[
YOLOv3的IoU与众不同？？？
baiyang10010的博客
10-19 912
普通IoU: 计算在x轴上的重叠长度 给定：X1,W1 X2,W2 min(X1+W1,X2+W2)-max(X1,X2) YOLO: 计算在x轴上的重叠长度 给定：X1,W1 X2,W2 min(X1+W1/2,X2+W2/2)-max(X1-W1/2,X2-W2/2)
yolov4、yolov5学习笔记（up， 霹雳吧）
m0_59749051的博客
08-25 582
CSPDarknet53采用cspdensenet结构，resblock依旧像yolov3一样spp多尺度融合， 分别将短接， 5x5最大池化， 9x9最大池化， 13x13最大池化concat拼接PAN,先下采样，再上采样，经过yolo曾输出。
YOLOv5学习笔记（一）
tryflyhigh的博客
04-26 1256
本文结合小土堆的教学视频​​​​​​​进行学习。
YOLOV8学习笔记1
yang的博客
05-16 899
​在此之前没有学习和训练过任何深度学习网络，所以一开始无从下手。主要是借鉴了别人的博客：1、本人在之前已经配置好GPU版本的深度学习环境（），但是跟着这个链接运行，不知道为什么还是cpu训练。原因可能是我没有在安装好CUDA的虚拟环境中运行。2、（GPU版本的、大佬写的很好，很清楚详细）
YOLOV8学习笔记2
yang的博客
05-29 3922
YOLOV8训练结果分析
YOLOv3论文
Jormungand123的博客
03-04 3076
待解决区： 1、CNN正则化 2、CNN反向传播 3、除YOLOv3之外的目标检测算法 【精读AI论文】YOLO V3目标检测（附YOLOV3代码复现）_哔哩哔哩_bilibili AP50的意思就是0.5IOU为阈值的mAP 是sigmoid函数，把坐标限定在一个grid cell内。 yolo的创新其实就在于把目标检测任务变成回归任务，用回归任务的损失函数平方误差来训练模型。 yolov3改成了sigmoid做逻辑回归。 一种尺度3个anchor，一共三种尺度共9个anchor，.
IOU 计算方法
咖啡味儿的咖啡
03-19 1462
#!/usr/bin/env python # encoding: utf-8 """ @version: 1.0 @author: levio @contact: levio123@163.com @file: IoU.py """ def compute_iou(rec1, rec2): """ computing IoU :param rec1: (y0, ...
colab跑通YOLOV3SPP（代码来自霹雳巴拉WZ）
Sep21m_wyy的博客
01-11 407
在colab上跑通霹雳巴拉wz博主的yolov3spp代码，以及其中遇到的一些问题
YOLOV3的三个门限值解释以及yolov3详解
qq_35641067的博客
07-19 5596
YOLOV3 关于yolov3必须了解的三个门限值 ignore_iou_thresh:【IOU门限】标记与真实框有交集的锚框的objectness（框内是否有物体）为1还是-1的分界线 yolov3是对生成的每个锚框进行标记 标记与真实框IOU最大的锚框objectness=1【只有该锚框对应的预测框才参与损失函数计算和类别预测】 标记与真实框的非最大但IOU大于等于ignore_iou_thresh的锚框的objectness=-1表示是真实框对应的锚框（锚框包含真实目标），但其对应的预测框不负责损失
目标检测 | yolov3 原理和介绍
hhl_work的博客
08-05 4059
YOLOv3 擅于预测出合适的目标，但无法预测出非常精准的边界框。YOLOv3 小目标预测能力提升，但中大目标的预测反而相对较差。若将速度考量进来，YOLOv3 整体来说表现非常出色。YOLOv3在小目标\密集目标的改进1.grid cell个数增加，YOLOv1（7×7），YOLOv2（13×13），YOLOv3（13×13+26×26+52×52）2.YOLOv2和YOLOv3可以输入任意大小的图片，输入图片越大，产生的grid cell越多，产生的预测框也就越多。
YOLOv3-SPP代码详解
Le0v1n 的博客
05-23 2831
YOLOv3-SPP代码详解
YOLO论文系列笔记(上)
Hide on bush
04-30 707
YOLO论文系列笔记(上) 目录YOLO V1：You Only Look Once1.论文思想2.网络框架3. Loss部分4. YOLO V1的局限性YOLO V2 -----YOLO9000: Better,Faster,Stronger1. Better章节1）Batch Normalization2）High Resolution Classifier3）Convolutional with anchor boxes4）Dimension Cluster5）Direct Location Pred
torch入门笔记20:torch实现freeze layer的操作
Focusing on your own Mind :) －> 站在巨人的肩膀上
11-04 3973
这两天一直在尝试着在torch的框架内实现freeze layer，通过search google，从极少的文档中找到比较work的方法，故而总结在这。 You can set the learning rate of certain layers to zero by overriding their updateParameters and accGradPa
目标检测入门之再读YOLOv3
sgzqc的专栏
11-27 4777
1 引言 YOLOv3在YOLOv2的基础上,改良了网络的主干,利用多尺度特征图进行检测,改进了多个独立的Logistic regression分类器来取代softmax来预测类别分类. YOLOv2的论文链接: 戳我 闲话少述,我们直接开始 ???? 2 主干网络 YOLOv3提出了新的主干网络: Darknet-53 ,从第0层到第74层,一共有53层卷积层,其余均为Resnet层. 和Darknet-19相比,Darknet-53去除了所有的maxpooling层,增加了更多的1X1和3X3的卷积层,
YOLOV3学习笔记
最新发布
05-11
### YOLOv3 学习资料与笔记 YOLOv3 是一种基于卷积神经网络的目标检测算法，相较于之前的版本，它通过引入多尺度预测来提高小目标的检测能力。以下是关于 YOLOv3 的学习资源和教程： #### 1. 官方论文解读 YOLOv3 的官方论文《YOLOv3: An Incremental Improvement》提供了详细的理论基础和技术改进说明[^2]。阅读这篇论文可以帮助理解其核心思想以及如何实现更快更准的目标检测。 #### 2. 博客文章总结 许多开发者撰写了详尽的技术博客分享他们的经验。例如，在一篇名为 **"YOLO学习-YOLOv1~v3原理学习（笔记整合）"** 中提到，YOLOv3 不仅继承了前代的优点，还增加了锚框机制以适应不同大小的对象检测需求[^2]。此外，该博文也对比分析了一阶段方法（如 YOLO 系列）与两阶段方法（如 Faster R-CNN 和 Mask RCNN），指出一阶段方法虽然牺牲了一些精度但显著提升了速度性能[^2]。 #### 3. 实践指南 对于希望动手实践的朋友来说，《YoloV3学习笔记（二）——环境配置》是一份非常实用的手册[^4]。尽管其中提到了一些旧硬件环境下遇到的问题，但它依然能够指导新手完成从零搭建开发平台到运行第一个 demo 的全过程。特别需要注意的是软件包之间的兼容性问题；如果可能的话建议使用较新的 GPU 来获得更好的支持体验[^4]。 #### 4. GitHub 开源项目 GitHub 上有许多优秀的开源实现可供参考。比如 ultralytics/yolov3 就是一个被广泛使用的 Python 版本库，包含了训练、验证及推理等功能模块。该项目文档清晰易懂，并附带多个预训练权重文件供下载测试之用。 ```python import torch from models import * # 导入模型定义脚本中的类对象 device = 'cuda' if torch.cuda.is_available() else 'cpu' model = Darknet('cfg/yolov3.cfg', img_size=(416, 416)).to(device) if device != 'cpu': model.half() ckpt = torch.load('weights/yolov3.pt', map_location=device)['model'] model.load_state_dict(ckpt.state_dict()) print("Model Loaded Successfully!") ``` 上面这段代码展示了如何加载 yolov3 配置文件并初始化相应架构实例化过程的一部分[^1]。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值