AI大道理 - 博客园

AI大视觉（十九） | Yolo v3、Yolo v4、yolo v5网络结构图集

摘要：本图集来自公众号“每日一醒” 无码原图请在公众号输入“yolo系列图集”获得。 YOLO V3的网络结构图 YOLO V4的网络结构图 YOLO V5的网络结构图 —————— 浅谈则止，细致入微AI大道理扫描下方“每日一醒”，选择“关注”公众号 ——————————————— 阅读全文

posted @ 2021-08-09 16:48 AI大道理阅读(601) 评论(0) 推荐(0) 编辑

AI大视觉（十八） | Yolo v5的改进思想

摘要：本文来自公众号“每日一醒” Yolo v5一共有四个模型，分别为Yolov5s、Yolov5m、Yolov5l、Yolov5x。 Yolov5s网络最小，速度最少，AP精度也最低，如果检测的以大目标为主，追求速度，倒也是个不错的选择。其他的三种网络，在此基础上，不断加深加宽网络，AP精度也阅读全文

posted @ 2021-08-09 16:33 AI大道理阅读(5314) 评论(0) 推荐(2) 编辑

AI大视觉（十七） | PANet（路径聚合网络）

摘要：本文来自公众号“每日一醒” 目标检测或者实例分割不仅要关心语义信息，还要关注图像的精确到像素点的浅层信息。所以需要对骨干网络中的网络层进行融合，使其同时具有深层的语义信息和浅层的纹理信息。 PANet整体结构 PANet（Path Aggregation Network）最大的贡献是提阅读全文

posted @ 2021-08-04 21:13 AI大道理阅读(4893) 评论(0) 推荐(0) 编辑

AI大视觉（十六） | SPP（空间金字塔池化）

摘要：本文来自公众号“每日一醒” SPP 对于一个CNN模型，可以将其分为两个部分：前面包含卷积层、激活函数层、池化层的特征提取网络，下称CNN_Pre，后面的全连接网络，下称CNN_Post。许多CNN模型都对输入的图片大小有要求，实际上CNN_Pre对输入的图片没有要求，可以简单认为阅读全文

posted @ 2021-08-03 15:41 AI大道理阅读(1389) 评论(0) 推荐(0) 编辑

AI大视觉（十五） | 损失函数进化史：MSE、IOU、GIOU、DIOU、CIOU、EIOU

摘要：本文来自公众号“每日一醒” 目标检测任务的损失函数由两部分构成：Classification Loss和Bounding Box Regeression Loss。 Smooth L1 Loss L1 Loss（Mean Absolute Error，MAE）平均绝对误差（MAE）是一种用于阅读全文

posted @ 2021-07-31 11:37 AI大道理阅读(1744) 评论(0) 推荐(0) 编辑

AI大视觉（十四） | Yolo v4是如何进行改进的？

摘要：本文来自公众号“每日一醒” YOLO V4就是筛选了一些从YOLO V3发布至今，被用在各式各样检测器上，能够提高检测精度的tricks，并以YOLO V3为基础进行改进的目标检测模型。 YOLO V4在保证速度的同时，大幅提高模型的检测精度。 YOLOV4的改进 1、backbone：CSP 阅读全文

posted @ 2021-07-29 09:11 AI大道理阅读(739) 评论(0) 推荐(0) 编辑

AI大视觉（十三） | 评价指标mAP的解析与绘制

摘要：本文来自公众号“每日一醒” 在目标检测中，每张图片可能包含多个类别的多个目标。目标检测模型的评价需要同时评价模型的定位、分类效果。因此，在图像分类问题中常使用的 precision 指标不能直接用于目标检测。这时 mAP 进入了人们的视野。 IOU IOU衡量预测框和真实框的重合程度阅读全文

posted @ 2021-07-22 18:18 AI大道理阅读(709) 评论(0) 推荐(0) 编辑

AI大视觉（十二） | 1x1卷积核为什么有效？

摘要：本文来自公众号“AI大道理” 之前只是知道1x1的卷积核用在Inception模块中具有降维的作用，并没有认真的思考它是怎么样实现降维的，以及它还有哪些作用。控制特征图的深度 1x1的卷积核由于大小只有1x1，所以并不需要考虑像素跟周边像素的关系，它主要用于调节通道数，对不同的通道上的像素点阅读全文

posted @ 2021-07-06 10:28 AI大道理阅读(879) 评论(0) 推荐(0) 编辑

AI大视觉（十一) | Yolo v3 如何进行训练？

摘要：本文来自公众号“AI大道理” yolov3训练的loss是在特征层上进行求解的。所以不管是预测值，还是真实值都要映射到特征层上。这是一个双向奔赴的过程。 loss求解（1）输入图片进行数据增强。（2）将图片输入yolov3网络获得三个特征层的预测结果。（3）三个有效特征层循环计算阅读全文

posted @ 2021-07-04 11:56 AI大道理阅读(356) 评论(0) 推荐(0) 编辑

AI大视觉（十) | Yolo v3中关于交叉熵与均方差损失函数的思考

摘要：本文来自公众号“AI大道理” 损失函数（误差函数）是关于模型输出和样本标签值之差的函数，通过对误差函数求导来调节权重参数。本质：选取恰当的函数来衡量模型输出分布和样本标签分布之间的接近程度。功能：调节权重参数损失函数是网络学习的指挥棒，它引导着网络学习的方向——能让损失函数变小的参数就是好阅读全文

posted @ 2021-07-03 11:59 AI大道理阅读(410) 评论(0) 推荐(0) 编辑