城管视频ai智能分析系统通过yolo系列架构模型人工智能深度学习技术，对现场画面中店外经营、乱堆物料、违规摆摊、乱扔垃圾、占道经营、非机动车乱停放等行为实时监测分析。YOLO的结构非常简单，就是单纯的卷积、池化最后加了两层全连接，从网络结构上看，与前面介绍的CNN分类网络没有本质的区别，最大的差异是输出层用线性函数做激活函数，因为需要预测bounding box的位置（数值型），而不仅仅是对象的概
转载
2024-07-09 15:40:47
87阅读
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、网络简介二、网络特点1.速度快2.视野广3.泛化能力强三、设计过程四、网络结构五、损失函数六、YOLOv1缺点1.定位不准确2.召回率不高七、YOLOv21.Batch Normalization2.High Resolution Classifier3.Convolutional With Anchor Boxes
转载
2024-09-27 06:40:11
105阅读
YOLO是用来干嘛的目标检测那YOLO和R-CNN等网络有什么区别1.YOLO训练和检测均是在一个单独网络中进行。YOLO没有显示地求取region proposal的过程。而rcnn/fast rcnn 采用分离的模块（独立于网络之外的selective search方法）求取候选框（可能会包含物体的矩形区域），训练过程因此也是分成多个模块进行。Faster rcnn使用RPN（region p
转载
2024-04-02 15:55:25
1222阅读
YOLO（You Only Look Once）是与R-CNN系列不用的一种目标检测方法，其实在我看R-CNN系列文章时，我就思考能不能直接输入一张图像，就卷积最后得到x,y,w,h,c五个参数啊，直接让它暴力预测！嘿嘿，yolo就是这么干的！YOLO-V1我理解的YOLO-V1相当于采取比较暴力的检测方案，网络结构如下图所示，其只用了一个卷积网络实现，更加简单。网络结构首先输入一行图片，这里它把
转载
2024-04-22 14:57:15
56阅读
算法【1】以 YOLO 为基础，从准确度和速度上做改进，最终在保持原有速度的同时将精度提升到了76%左右；提出了联合训练（同时训练目标检测和分类）的方法，在COCO和ImageNet上得到一个能实现9000种目标实时检测的网络 YOLO9000对YOLO的改进YOLO2 对很多细节做了调整，从精度和速度上得到了提升更精确1.批归一化（Batch Normalization） 深层网络训练不收敛（
转载
2024-08-08 11:45:48
112阅读
第一次写博客，参考一些资料总结了一些有关YOLOv3目标检测网络理解方面的内容。如有不当之处欢迎大家批评指正！一、模块说明模块名称模块名称模块含义模块含义模 块模块作用作用CBL(conv+BN+Leaky relu）CBL为卷积块：由Conv，Batch Normalization，Leaky relu 这三个网络层组成。Conv层为卷积层，对输入图像采用
转载
2024-10-06 14:08:32
321阅读
2023年，YOLO系列已经迭代到v8，v8与v5均出自U神，为了方便理解，我们将通过与v5对比来讲解v8。想了解v5的可以参考文章yolov5。接下来我将把剪枝与蒸馏的工作集成到v8中，大家可以期待一下。如果有什么不理解的地方可以留言。
对yolo系列感兴趣的朋友可以点yolov1,yolov2,yolov3,yolov4,yolov5,yolov
文中图片均来自博客，作者写得真好。1.网络结构 YOLO网络借鉴了GoogLeNet分类网络结构。不同的是，YOLO未使用inception module，而是使用1x1卷积层（此处1x1卷积层的存在是为了跨通道信息整合）+3x3卷积层简单替代。下图可以更加清楚地看到全连接层部分的结构：2.损失函数 作者没有采用传统的sum-squared error loss，虽然这个loss 很容易优化，但是
转载
2024-07-16 13:45:09
127阅读
首先明确，YOLO 是一个全卷积网络（fully convolutional neural network，FCN），其中的下采样操作并不使用pooling层，而是使用步长stride=2的卷积操作代替，以避免对于低阶高分辨率特征图的信息损失。YOLO仅包含卷积层，步长卷积层（下采样层），上采样层和跳跃连接层（skip connection layer）YOLO采用了全卷积结构，我们知道，采用全卷
转载
2024-07-23 13:13:47
179阅读
1. R-CNN：Rich feature hierarchies for accurate object detection and semantic segmentation 技术路线：selective search + CNN + SVMs Step1:候选框提取(selective search) 训练：给定一张图片，利用seletive search方法从中提取出200
转载
2024-09-24 19:23:20
207阅读
YOLO v2相比与yolo v1，yolo v2的更新主要体现在以下几方面：主干网络的更新、引入anchor机制、以及一些小细节比如global avgpooling、类似v3中FPN的passthrough结构、使用了BN层而弃用了dropout等等。1. 主干网络的更新 使用了darknet19代替了原来的vgg16，mAP基本没变但参数量减少，从而训练和预测的速度提高。我认为主要功劳是通过
转载
2024-07-19 09:51:07
110阅读
CV系列开篇：深度学习经典检测方法：统一的规律：网络越简单，速度越快，效果越差。two-stage两阶段：Faster R CNN 、Mask R CNN增加了一个预选框,然后再进行识别 优点：速度慢了点，无法做到实时。 缺点：one-stage单阶段：YOLO系列直接选出结果 one-stage 优点： 速度快！（可以基于视频去做、做实时的，最高200 FPS （每秒最快200帧）），可以控制网
在上一期介绍了事情的起因，为什么要做yolo车牌识别，以及最终的网络结构。）但是为了验证和编码的方便，我们基于下图的网络结构开发。即将yolo检测网络和识别网络分开，验证通过了，再将识别功能集成到yolo上面，这样可以大大降低风险。回顾一下流程，首先图片经过检测网络YoloX，识别出蓝牌或者绿牌。然后根据矩形框坐标从原图中剪裁出牌照图片，将裁剪出的蓝牌图片送入到蓝牌分类网络进行牌照的识别；绿牌则送
目录一、YOLO，以及与其他目标检测方法的区别二、论文思想三、网络架构四、YOLO的不足五、YOLO的优点六、学习小结本周学习小结： 本周主要学习了yolo v1整篇论文，因为我是刚接触目标检测方面的东西，所以对论文其中涉及的一些知识点和网络细节进行了补充学习，加深了对目标检测方法的理解和认知。接下来的内
转载
2024-04-15 14:55:20
235阅读
+创新点：将整张图片作为网络的输入，直接在输出层对BBox的位置和类别进行回归。简介YOLO意思是You Only Look Once，创造性的将候选区和对象识别这两个阶段合二为一，属于one-stage的检测模型。整体上来说，首先将图片resize到448×448，送入到CNN网络之后，经过进一步预测得到检测的结果。YOLO是用了一个单独的CNN模型来实现了end2end的检测，它是一个统一的框
转载
2024-08-09 12:26:10
107阅读
一、YOLO11、目标检测主要思想与RCNN系列不同，YOLO把目标检测看作一个回归问题，直接用一个网络进行分类和框回归。具体做法是：将image划分为S*S个网格，每个网格预测B个bbox的位置（x、y、w、h）、置信度（confidence为交并比）、类别概率。输出维度为S*S*（B*5+C），C为类别数。无论网格中包含多少个boxes，每个网格只预测一组类概率。测试时，将条件类概
转载
2024-06-07 14:12:38
247阅读
目录 文章目录目录背景介绍图像的识别和定位语义分割转置卷积 背景介绍CNN是一种应用非常广泛的神经网络，在计算机视觉的各个领域都有广泛的应用，图像识别、目标检测、图像分割这些高级应用的实质都是运用了卷积神经网络CNN。以在图像识别为例，在ImageNet挑战赛上，2011年之前所使用的方法基本上都是传统的图像识别，2012年，Alexnet神经网络横空出世，大幅降低了图像识别的误差，从那一年开始，
转载
2024-08-08 22:15:26
633阅读
点赞
一、R-CNN 区域卷积神经网络 对每张图选取多个区域，然后每个区域作为一个样本进入一个卷积神经网络来抽取特征，最后使用分类器来对齐分类，和一个回归器来得到准确的边框。步骤：对输入的每张图片使用一个基于规则的“选择性搜索”算法来选取多个提议区域选取一个预先训练好的卷积神经网络并去掉最后一个输出层，每个区域被调整成这个网络要求的输入大小并计算输出，这个输出将作为这个区域的特点使用这些区域特征来训练
转载
2024-09-19 19:51:01
165阅读
文章目录1.R-CNN1.1 R-CNN1.2 Fast R-CNN1.3 Faster R-CNN1.4 Mask R-CNN2.SSD3.YOLO 1.R-CNN1.1 R-CNN使用传统的锚框(提议区域)选择算法–选择性搜索算法* 选取高质量锚框。对每一个锚框使用预训练模型对其提取特征，每个锚框需要调整为预训练模型所需要的输入尺寸。使用支持向量机(SVM)对类别分类。训练线性回归模型来预测
转载
2024-08-08 12:03:32
82阅读
文章目录一、YOLOV3概述1. YOLOV3特点2. 改进之处4. 边框预测5. 优缺点6. 统一网络二、数据集1. VOC数据集 Pascal VOC（Pascal Visual Object Classes）2. COCO数据集 Microsoft COCO(Common Objects in Context)3. Object Instance 类型的标注格式4. polygon格式5.
转载
2024-10-24 09:18:06
94阅读
