【YOLO系列】yolo V1 ，V3，V5，V8 解释

文章目录

yolo V1 模型结构图
- 通道数的物理意义是什么？
- 输出 7×7×30 怎么理解？
- YOLO v1 损失函数LOSS
yolo V3
yolo V5
yolo V8

视频来源：https://www.bilibili.com/video/BV13K411t7Zs/

AI视频小助理
一、YOLO系列的目标检测算法，其中详细讲解了U6V1的网络结构，包括卷积层、池化层、通道数等基础知识。
00:01 - 介绍YOLO系列的目标检测算法
01:36 - 详细介绍yolo V1的网络结构，包括卷积层和池化层
05:17 - 解释通道数的意思和物理意义，以及卷积神经网络中的卷积核和通道数的关系
二、卷积神经网络的基本概念和结构，以及如何通过网络输出预测图像中的目标检测结果，详细解释了网络中各个参数的意义。
06:15 - 192个卷积核对应192个特征，对应原图表达。
07:18 - 特征图通道数为1024，经过4096全连接后转化为输出形状77×30。
08:22 - 输出结果为774×30的数字向量，每个数字代表原图小格子的预测结果。
三、目标检测模型的预测过程和输出结果，以及该模型的损失函数设计。其中，置信度和类别概率等概念被提及。
12:29 - 每个格子预测两个物体，但大量的预测是背景。
14:29 - 每个格子的置信度代表该位置是物体的概率。
17:46 - YOLO的损失函数包含四个加号，其中第一个加号涉及到数学计算。
四、YOLO系列算法中的损失函数，包括中心坐标、宽高等预测结果的调整以及置信度的拟合，最后还介绍了YOLOv3的复杂结构和计算方法。
18:43 - 损失函数中加入中心坐标点，使其越来越准确
19:38 - 损失函数中加入宽高拟合，让预测结果与真实结果越接近越好
23:53 - YOLO v3模型有三个通路，经过卷积、批量归一化和激活函数处理
五、CBL、RESNET等深度学习中的小零件，以及这些零件如何拼接成复杂的结构，从而提取不同尺寸的信息，提高预测效果。
24:56 - CBL、卷积、批量规划、激活函数等深度学习小零件的拼接搭建整个网络结构。
26:40 - 不同尺寸信息提取可以提高预测效果，V3、V5、V8结构设计相似，但V8使用了更新数据进行训练。
28:56 - yolo V5和V8的网络结构复杂，越靠近输入层获取到的特征越细节，越靠上的特征越宏观。
–本内容由AI视频小助理生成，关注解锁AI助理，由@Triticale21 召唤发送