Differences

This shows you the differences between two versions of the page.

--- yolo [2021/07/15 10:04]
niruiting created
+++ yolo [2023/03/08 16:05] (current)
xujianglong ↷ Page moved from 内部资料:yolo to yolo
@@ Line 1: / Line 1: @@
 === yoloV4 ===
 **结构**
-* **Backbone**：DarkNet53 => CSPDarkNet53(相较于yoloV3)
+    * **Backbone**：DarkNet53 => CSPDarkNet53(相较于yoloV3)
-* **Neck**：SPP，PAN
+    * **Neck**：SPP，PAN
-* **Prediction**：YOLOv3
+    * **Prediction**：YOLOv3
-YOLOV4的模型结构如下：{{:yolov4.png?400|}}
+    *YOLOV4的模型结构如下：
+    {{:yolov4.png?600|}}
-* SPP:能够极大地增加感受野，分离出最显著的上下文特征。
+    *SPP:能够极大地增加感受野，分离出最显著的上下文特征。
-* PAN:有一个非常重要的特点就是特征的反复提取。
+    *PAN:有一个非常重要的特点就是特征的反复提取。
 **实现**
-* [[https://github.com/bubbliiiing/yolov4-pytorch|pytorch-实现YOLOV4代码]]
+    *[[https://github.com/bubbliiiing/yolov4-pytorch|pytorch-实现YOLOV4代码]]
-* [[https://github.com/bubbliiiing/yolov4-keras|keras-实现YOLOV4代码]]
+    *[[https://github.com/bubbliiiing/yolov4-keras|keras-实现YOLOV4代码]]
-* [[https://github.com/bubbliiiing/yolov4-tf2|TensorflowV2-实现YOLOV4代码]]
+    *[[https://github.com/bubbliiiing/yolov4-tf2|TensorflowV2-实现YOLOV4代码]]
-* [[https://arxiv.org/pdf/2004.10934.pdf|官方YOLOV4代码]]
+    *[[https://arxiv.org/pdf/2004.10934.pdf|官方YOLOV4代码]]
 ** 论文**
-* [[https://arxiv.org/pdf/2004.10934.pdf|yoloV4论文]]
+    *[[https://arxiv.org/pdf/2004.10934.pdf|yoloV4论文]]
 === yoloV5 ===
 **结构**
-* **输入端**：Mosaic数据增强、自适应锚框计算、自适应图片缩放
+    * **输入端**：Mosaic数据增强、自适应锚框计算、自适应图片缩放
-* **Backbone**：Focus结构，CSP结构
+    * **Backbone**：Focus结构，CSP结构
-* **Neck**：FPN+PAN结构
+    * **Neck**：FPN+PAN结构
-* **Prediction**：GIOU_Loss
+    * **Prediction**：GIOU_Loss
-* YoloV5提供四种模型Yolov5s、Yolov5m、Yolov5l、Yolov5x，其中s的速度最快，精准度最低；x的速度最慢，精准度最高；
+    * YoloV5提供四种模型Yolov5s、Yolov5m、Yolov5l、Yolov5x，其中s的速度最快，精准度最低；x的速度最慢，精准度最高；
-YOLOV5的模型结构如下：{{:yolov5.png?400|}}
+    * YOLOV5的模型结构如下
+    {{:yolov5.png?600|}}
-).把每个输入图片划分成不同的网格(19*19,38*38,76*76)，每个网格点负责一个区域的检测，只要物体中心落在这个区域，这个物体就由这个网格点来确定。
+    * 1).把每个输入图片划分成不同的网格(19*19,38*38,76*76)，每个网格点负责一个区域的检测，只要物体中心落在这个区域，这个物体就由这个网格点来确定。
-).通过一系列特征提取卷积、残差卷积激活以及标准化，将特征划分为三种大小的特征。
+    * 2).通过一系列特征提取卷积、残差卷积激活以及标准化，将特征划分为三种大小的特征。
-).通过Neck部分将三种大小的特征进行金字塔融合
+    * 3).通过Neck部分将三种大小的特征进行金字塔融合
-).最终对融合的三层数据进行卷积获得最终预测结果
+    * 4).最终对融合的三层数据进行卷积获得最终预测结果
 **实现**
-* [[https://blog.csdn.net/qq_36756866/article/details/109111065|YoloV5训练自己数据集详细教程]]
+    * [[https://blog.csdn.net/qq_36756866/article/details/109111065|YoloV5训练自己数据集详细教程]]
 === yolo系列特点 ===
 **优点：**
-* YOLO检测速度非常快。对于欠实时系统，在准确率保证的情况下，YOLO速度快于其他方法。
+    * YOLO检测速度非常快。对于欠实时系统，在准确率保证的情况下，YOLO速度快于其他方法。
-* YOLO 实时检测的平均精度是其他实时监测系统的两倍。
+    * YOLO 实时检测的平均精度是其他实时监测系统的两倍。
 **缺点：**
-* 相比二阶段系列的网络识别定位误差较大
+    * 相比二阶段系列的网络识别定位误差较大
-* YOLO对相互靠近的物体，以及很小的群体检测效果不好
+    * YOLO对相互靠近的物体，以及很小的群体检测效果不好
 **YOLOV5相比于YOLOV4**
-* YOLO V4 在性能上优于YOLO V5，但是在灵活性与速度上弱于YOLO V5。由于YOLO V5仍然在快速更新（还未被官方认证，论文还未出）
+    * YOLO V4 在性能上优于YOLO V5，但是在灵活性与速度上弱于YOLO V5。由于YOLO V5仍然在快速更新（还未被官方认证，论文还未出）
-* 不仅易于配置环境，模型训练也非常快速，并且批处理推理产生实时结果
+    * 不仅易于配置环境，模型训练也非常快速，并且批处理推理产生实时结果
-* YOLOV5s网络速度非常之快
+    * YOLOV5s网络速度非常之快

知识库｜湖南麓川信息科技有限公司

User Tools

Site Tools

Differences

Page Tools