yolo的原理

原理

1. 单一前向传播：YOLO采用单一的神经网络模型，一次前向传播直接完成对象检测任务，而不需要多个处理阶段。

2. 网格划分：输入图像被划分成网格单元，每个网格单元负责检测图像中的对象。

3. 多尺度检测：YOLO同时检测不同尺寸的对象，通过多层卷积网络实现。

4. 边界框和置信度：每个网格单元生成多个边界框和对应的类别预测。

5. 非极大值抑制：用于筛选最终的对象检测结果，消除重叠的边界框。（）

 

 

 

从小方块是怎么得到狗的大方块的？

通过非极大值抑制，整合小方块，得到的

 

 

 

 

 

 

 

 

 

 

 

论文：

1. YOLOv1 (You Only Look Once: Unified, Real-Time Object Detection):

   • 论文链接：https://arxiv.org/abs/1506.02640
   • 发表年份：2015
   • 这是YOLO的最初版本，提出了将对象检测问题转化为回归问题的思想。它引入了单一前向传播网络，实现了实时对象检测。

2. YOLOv2 (YOLO9000: Better, Faster, Stronger):

   • 论文链接：https://arxiv.org/abs/1612.08242
   • 发表年份：2016
   • YOLOv2引入了一些重要的改进，包括多尺度检测、锚点框、Darknet-19网络结构等，提高了检测性能。

3. YOLOv3 (YOLOv3: An Incremental Improvement):

   • 论文链接：https://arxiv.org/abs/1804.02767
   • 发表年份：2018
   • YOLOv3进一步改进了性能，引入了三个不同尺度的检测器，同时支持多尺度检测。

4. YOLOv4 (YOLOv4: Optimal Speed and Accuracy of Object Detection):

   • 论文链接：https://arxiv.org/abs/2004.10934
   • 发表年份：2020
   • YOLOv4提出了一系列新的技术，包括CIOU损失函数、PANet、SAM、CSPDarknet53网络结构等，显著提高了检测的准确性和速度。