學yolo演算法看什麼書

① yolo演算法是什麼

Yolo是一種目標檢測演算法。

目標檢測的任務是從圖片中找出物體並給出其類別和位置，對於單張圖片，輸出為圖片中包含的N個物體的每個物體的中心位置（x,y)、寬（w)、高（h)以及其類別。

Yolo的預測基於整個圖片，一次性輸出所有檢測到的目標信號，包括其類別和位置。Yolo首先將圖片分割為sxs個相同大小的grid。

介紹

Yolo只要求grid中識別的物體的中心必須在這個grid內（具體來說，若某個目標的中心點位於一個grid內，該grid輸出該目標類別的概率為1，所有其他grid對該目標預測概率設置為0)。

實現方法：讓sxs個框每個都預測出B個boungding box，bounding box有5個量，分別為物體的x,y,h,w和預測的置信度；每個grid預測B個bounding box和物體類別，類別使用one-hot表示。

② yolo演算法是什麼意思

Yolo是一種目標檢測演算法。

YOLO將對象檢測重新定義為一個回歸問題。它將單個卷積神經網路（CNN)應用於整個圖像，將圖像分成網格，並預測每個網格的類概率和邊界框。例如，以一個100x100的圖像為例。我們把它分成網格，比如7x7。

然後，對於每個網格，網路都會預測一個邊界框和與每個類別（汽車，行人，交通信號燈等）相對應的概率。

重要性：

YOLO非常快。由於檢測問題是一個回歸問題，所以不需要復雜的管道。它比「R-CNN」快1000倍，比「Fast R-CNN」快100倍。

它能夠處理實時視頻流，延遲小於25毫秒。它的精度是以前實時系統的兩倍多。同樣重要的是，YOLO遵循的是「端到端深度學習」的實踐。

③ 初學matlab中的圖像處理，求大蝦們推薦幾本教程

//================================//分割線//================================//

2012.12.12(上海，***，周三 )

岡薩雷斯的數字圖像處理（有課本和MATLAB兩個版本，建議兩本都買，我當初是看完課本再看MATLAB版本，MATLAB邊看邊上機實驗，這樣會帶來樂趣，其實怎麼說有人說兩本一塊看，看個人習慣了，我課本後來又看了一遍，但還是有很多地方看不懂，小波真心看不懂，還有就是如果不做編碼這一塊的話，第8章的圖像壓縮可以不看，個人認為分割和形態學兩章重要，特別是分割這章），看完岡薩大牛的書然後就可以學習OPENCV（必學，這個好比你在戰場上的機關槍，圖像開發利器，個人看法是買老外寫的翻譯過來的那本，上面圖中紅色的那本，劉瑞禎寫的本人看不習慣）C(++)語言要學好。論文要多看，跟導師有項目就做項目，進入課題，還有就是實習經驗，實習項目經驗，當然是做開發了，打醬油的不算，這個對找工作非常重要，還有就是小論文研二下學期差不多要投出去，到時候找工作了一堆的事在一塊，沒心思弄，那時候還有大論文，還有一本《圖像處理、分析與機器視覺》的書很好，上面黑色的，這到後面慢慢看，加油啊。

//================================//分割線//================================//

2016.11.21(上海，陰，周一)

轉眼這回答都過去四年了，上班也快四年了，依然在做圖像開發，機器學習，看到又有同學點贊，所以就想再寫寫，寫得不好多多包涵，寫點工作後得到的一點個人愚見：

1、OPENCV一定要熟練，C,C++一樣要熟練，MATLAB不會用沒關系，工作上一般不用。

2、人工智慧很火，現在大家都搞深度學習，本人還沒怎麼接觸，是個方向，我還在搞傳統的監督學習，SVM，隨機森林，GBDT(傳統演算法GBDT在大部分數據都是最佳性能，網上大家都這么說)等等。機器學習一定要會搞，演算法寫不來，但一定要會用。

3、特徵工程，樣本工程一樣重要，提取特徵的演算法什麼HOG,LBP,GABOR,SURF等等，都是成熟的經典演算法，網上資料很多。

4、反正就是多看吧，互聯網方便，不懂就搜著看。

//================================//分割線//================================//

暫時就想到這些，斷續上班賺首付。

//================================//分割線//================================//

2019.08.26(上海，陰，周一)

一轉眼這回答又快過去三年，上班也六年半，依然在做圖像開發，深度學習，這三年學到很多，認識很多，所以就想再寫寫，寫得不好多多包涵，這三年的主要體會：

1、深度學習啊，現在沒有比這個更時髦的了，caffe做圖像最普遍，不過現在pytorch慢慢好像要勝出，github上最新的資源多是pytorch。

2、python啊，不必多說。

3、做為一個畢業有些年的人，這些東西都是上班後學的，沒辦法，不學跟不上時代——學無止境，活到老學到老！

4、我現在主要做目標檢測，從早期的faster rcnn,yolov1,v3到現在的centernet，真是技術更新換代的速度比年齡增長的速度還快！三十多了，馬上有35歲的年齡危機，路在何方，猶未知！

//================================//分割線//================================//

對了，提醒一句，努力重要，選擇更重要，能買房早買房，我這些年最大的失敗就在於買房太晚！

④ 為什麼SSD目標檢測演算法對小目標檢測的效果不好，SSD目標檢測演算法集成tengine裡面嗎

SSD目標檢測演算法對小目標檢測的效果應該算是比較好的，理論上YOLO這種演算法對小目標檢測效果可能不是太好。像YOLO、FasterRCNN這些演算法，它只在最後一層做anchor的話，它沒有多尺度的特徵，對尺度變化不敏感，而SSD是對小目標檢測效果比較好的演算法。

⑤ 目標有測評的功能嗎

主流的目標檢測演算法主要是基於深度學習模型，其可以分成兩大類：（1）two-stage檢測演算法，其將檢測問題劃分為兩個階段，首先產生候選區域（region proposals），然後對候選區域分類（一般還需要對位置精修），這類演算法的典型代表是基於region proposal的R-CNN系演算法，如R-CNN，Fast R-CNN，Faster R-CNN等；（2）one-stage檢測演算法，其不需要region proposal階段，直接產生物體的類別概率和位置坐標值，比較典型的演算法如YOLO和SSD。目標檢測模型的主要性能指標是檢測准確度和速度，對於准確度，目標檢測要考慮物體的定位準確性，而不單單是分類准確度。一般情況下，two-stage演算法在准確度上有優勢，而one-stage演算法在速度上有優勢。不過，隨著研究的發展，兩類演算法都在兩個方面做改進。Google在2017年開源了TensorFlow Object Detection API，並對主流的Faster R-CNN，R-FCN及SSD三個演算法在MS COCO數據集上的性能做了細致對比，如下圖所示。近期，Facebook的FAIR也開源了基於Caffe2的目標檢測平台Detectron，其實現了最新的Mask R-CNN，RetinaNet等檢測演算法，並且給出了這些演算法的Baseline Results 。不得不說，准確度（accuracy）和速度（speed）是一對矛盾體，如何更好地平衡它們一直是目標檢測演算法研究的一個重要方向。

目標檢測問題同時是一個回歸和分類問題。首先，為了評估定位精度，需要計算IoU（Intersection over Union，介於0到1之間），其表示預測框與真實框（ground-truth box）之間的重疊程度。IoU越高，預測框的位置越准確。因而，在評估預測框時，通常會設置一個IoU閾值（如0.5），只有當預測框與真實框的IoU值大於這個閾值時，該預測框才被認定為真陽性（True Positive, TP），反之就是假陽性（False Positive，FP）。

對於二分類，AP（Average Precision）是一個重要的指標，這是信息檢索中的一個概念，基於precision-recall曲線計算出來。對於目標檢測，首先要單獨計算各個類別的AP值，這是評估檢測效果的重要指標。取各個類別的AP的平均值，就得到一個綜合指標mAP（Mean Average Precision），mAP指標可以避免某些類別比較極端化而弱化其它類別的性能這個問題。

對於目標檢測，mAP一般在某個固定的IoU上計算，但是不同的IoU值會改變TP和FP的比例，從而造成mAP的差異。COCO數據集提供了官方的評估指標，它的AP是計算一系列IoU下AP的平均值，這樣可以消除IoU導致的AP波動。其實對於PASCAL VOC數據集也是這樣，Facebook的Detectron上的有比較清晰的實現。

除了檢測准確度，目標檢測演算法的另外一個重要性能指標是速度，只有速度快，才能實現實時檢測，這對一些應用場景極其重要。評估速度的常用指標是每秒幀率（Frame Per Second，FPS），即每秒內可以處理的圖片數量。當然要對比FPS，你需要在同一硬體上進行。另外也可以使用處理一張圖片所需時間來評估檢測速度，時間越短，速度越快。

⑥ yolo演算法識別後，在圖片框上的數字代表什麼

圖片框上的數字代表了他出場的次數，一般來說現在他已經出場了兩次了，所以說還是很有代表性的。

⑦ yolo 演算法 網格的兩個bounding box大小是怎麼確定的

我感覺是訓練出來的，輸出的數據裡面有bbox的x,y,w,h，然後將預測出來的x,y,w,h和真實值比較，通過反向傳播修改前面神經網路的參數，經過多次迭代，就能得到理想的bbox。在測試時訓練好的神經網路看到當前網格的一些信息，就能推測出應該用怎麼的bbox。我剛剛也在想這個問題，突然想到這種解釋，也不知道對不對。

⑧ yolo演算法是什麼

Yolo演算法採用一個單獨的CNN模型實現end-to-end的目標檢測。

首先將輸入圖片resize到448x448，然後送入CNN網路，最後處理網路預測結果得到檢測的目標。相比R-CNN演算法，其是一個統一的框架，其速度更快，而且Yolo的訓練過程也是end-to-end的。

相關信息：

Yolo採用卷積網路來提取特徵，然後使用全連接層來得到預測值。網路結構參考GooLeNet模型，包含24個卷積層和2個全連接層，如圖8所示。對於卷積層，主要使用1x1卷積來做channle rection，然後緊跟3x3卷積。

⑨ yolo演算法是什麼

YOLO (You Only Look Once)，是一個用於目標檢測的網路。

目標檢測任務包括確定圖像中存在某些對象的位置，以及對這些對象進行分類。以前的方法，比如R-CNN和它的變種，使用一個管道在多個步驟中執行這個任務。

YOLO，只用一個神經網路就能完成。簡單地說，拿一個圖像作為輸入，通過一個看起來像普通CNN的神經網路，就會得到一個在輸出中包含邊界框和類別預測的向量。

技術背景：

人們看到圖像以後，可以立即識別其中的對象、它們的位置和相對位置。這使得我們能夠在幾乎無意識的情況下完成復雜的任務，比如開車。

因此，對汽車進行自動駕駛訓練需要類似水平的反應能力和准確性。

在其最基本的形式中，這樣的系統必須能夠分析實時視頻中的道路，並能夠在繼續確定路徑之前檢測各種類型的對象及其在現實世界中的位置，所有這些都必須是實時的

⑩ yolo演算法是什麼

YOLO 是一種使用神經網路提供實時對象檢測的演算法。該演算法因其速度和准確性而廣受歡迎。它已在各種應用中用於檢測交通信號、人員、停車計時器和動物。

YOLO 是「You Only Look Once」一詞的縮寫。這是一種演算法，可以（實時）檢測和識別圖片中的各種對象。YOLO 中的對象檢測是作為回歸問題完成的，並提供檢測到的圖像的類別概率。

YOLO 演算法採用卷積神經網路 (CNN) 實時檢測物體。顧名思義，該演算法只需要通過神經網路進行一次前向傳播來檢測物體。

這意味著整個圖像中的預測是在單個演算法運行中完成的。CNN 用於同時預測各種類別概率和邊界框。

YOLO 演算法由各種變體組成。

優點

1、速度：該演算法提高了檢測速度，因為它可以實時預測物體。

2、高精度：YOLO 是一種預測技術，可提供准確的結果且背景誤差最小。

3、學習能力：該演算法具有出色的學習能力，使其能夠學習對象的表示並將其應用於對象檢測。