yolo1：
最後檢測頭7*7grid,每個點**兩個框(乙個大框乙個小框)，分類用one hot，如下圖所示：
增加了乙個中間卷積層，先採用64個 1*1 卷積核進行卷積，然後再進行passthrough處理，這樣26*26*512的特徵圖得到13*13*256的特徵圖。
passthrough層的處理：
利用1*1*64卷積降低第25層26*26*512（實際來自16層）的通道數，從512降低到64，輸出26*26*64（見第26層）。
第27層進行拆分（實際的passthrough層）操作，1拆4分成13*13*256。
將passthrough層和最後一層卷積層結合： 第28層疊加27層和24層的輸出（13x13x1024+13x13x256），得到13*13*1280。
7*7 grid 太小了，增大為13*13
每個grid對應兩個人為設計的anchor增加為5個統計得到的anchor（在voc2007和coco上都進行了統計，coco相比voc小框更多）
每個anchor對應乙個類別，13*13*(5*5+5*20)=422500 outputs
損失函式gt為1變 與iou計算的值
passthrough
分為3個檢測頭分別檢測大目標中目標和小目標，每個檢測頭**3個人為設計的anchor
anchor與ground truth iou大於閾值的框在損失函式計算時，使用的c用iou值
因為yolo3中使用了基於base anchor的策略限制了**框中心點的位置必須在grid方框內部，這樣會忽略中心點落在grid邊界的情況，在前面增加係數，比如說1.1，填補這部分空缺的可能性。
ciou loss
自適應anchor：
基於人工定義的anchor，網路對anchor再次計算。先定義前景背景，然後進行精細化分類和回歸，相當於two stage檢測模型。
目標檢測YOLO的學習筆記
近幾年來，目標檢測演算法取得了很大的突破。比較流行的演算法可以分為兩類，一類是基於region proposal的r cnn系演算法 r cnn，fast r cnn,faster r cnn 它們是two stage的，需要先使用啟發式方法 selective search 或者cnn網路 rpn...
Jeston TX1上執行YOLO目標檢測
date 2018 1 25 環境配置 ubuntu16.04 darknet opencv2.4.9 cuda arm64 步驟 一.ubuntu16.04 這個網上教程很多，就不多做介紹直接跳過了 二.darknet 1.配置darknet git clone cd darknet makewg...
基於 YOLO 的工人防護裝置檢測
工地上的工人未帶防護裝置將有可能導致事故的發生。有沒有什麼辦法可以實時識別工地上哪個工人沒有帶什麼防護裝置呢？本次 chat 您將可以學到 使用 opencv 識別傳統方法完成物體識別，以微生物的個數識別為案例。使用 labelimg 完成資料標註 本次 chat 適用人群，對人臉識別 物體檢測感興...