You Only Look Once
YOLO 将特征图划分为S×S的格子（grid cells），每个格子负责对落入其中的目标进行检测，一次性预测所有各自所含目标的边界框、定位置信度、以及所有类别概率向量。
对图片进行缩放–>经过卷积网络–>非极大抑制 (18条消息) 非最大抑制（NMS）_Yao-Blog的博客-CSDN博客
基本思想
经过卷积网络在特征图上划分S×S的网格，通过网格的划分得到边界框（bounding box）和置信度得分（confidence）以及类别的概率图（class probability map），结合两者得到最终检测结果
从图像的特征图出发，得到物体检测出的属性（attributes），即边界框的坐标（box co-ordinates）、目标性得分（objectness score）、分类的得分。
B表示有多少个边界框的预测。
多尺度融合
尺度划分越细，有助于小目标的检测
【目标检测】FPN(Feature Pyramid Network) – 知乎 (zhihu.com)
锚框（Anchor）机制
是一种先验框，我们预先设定一些边界框大小
每个预测框的 类别置信度得分（class confidence score）计算如下：
class confidence score = box confidence score × conditional class probability
它测量分类和定位（目标对象所在的位置）的置信度。
Pr(Object）框内有物体–>1,否则0
—>以有物体为条件，是哪一种类别的概率
NMS(Non-Maximum Suppression)非极大抑制
可能会有多个格子检测到同样的物体，所以会有一些冗余的检测框，所以做一个后处理。
测试时没有GT框，只能比较多个预测框，比较相互之间的IoU,做NMS
(18条消息) 非最大抑制（NMS）_Yao-Blog的博客-CSDN博客
损失函数（Loss function）
损失函数包括：
classification loss，分类损失
localization loss， 定位损失（预测边界框与GT之间的误差）
confidence loss，置信度损失（框的目标性，objectness of the box）
总的损失函数：
classification loss+ localization loss + confidence loss
最适合新手入门的【YOLOV5目标实战】教程！基于Pytorch搭建YOLOV5目标检测平台！环境部署+项目实战（深度学习/计算机视觉）_哔哩哔哩_bilibili
Original: https://blog.csdn.net/qq_50645064/article/details/125990129
Author: MUTA️
Title: YOLOv5基础知识点——目标检测基本思想
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/686385/
转载文章受原作者版权保护。转载请注明原作者出处！