資訊專欄INFORMATION COLUMN
摘要：近日，來自華盛頓大學的和提出的版本。而那些評分較高的區(qū)域就可以視為檢測結(jié)果。此外，相對于其它目標檢測方法，我們使用了完全不同的方法。從圖中可以看出準確率高，速度也快。對于的圖像，可以達到的檢測速度，獲得的性能，與的準確率相當?shù)撬俣瓤毂丁?/p>
近日，來自華盛頓大學的 Joseph Redmon 和 Ali Farhadi 提出 YOLO 的版本 YOLOv3。通過在 YOLO 中加入設(shè)計細節(jié)的變化，這個新模型在取得相當準確率的情況下實現(xiàn)了檢測速度的很大提升，一般它比 R-CNN 快 1000 倍、比 Fast R-CNN 快 100 倍。
代碼地址：https://pjreddie.com/yolo/.
1. 引言
有時，你一整年全在敷衍了事而不自知。比如今年我就沒做太多研究，在推特上揮霍光陰，置 GANs 于不顧。憑著上年余留的一點動力，我成功對 YOLO 做了一些升級。但實話講，沒什么超有趣的東西，只不過是些小修小補。同時我對其他人的研究也盡了少許綿薄之力。
于是就有了今天的這篇論文。我們有一個最終截稿日期，需要隨機引用 YOLO 的一些更新，但是沒有資源。因此請留意技術(shù)報告。
技術(shù)報告的優(yōu)勢在于其不需要介紹，你自然知道來由。因此簡介的最后將為余文提供路標。首先我將介紹 YOLOv3 的結(jié)局方案；接著是其實現(xiàn)。我們也會介紹一些失敗案例。最后是本文的總結(jié)與思考。
2. 解決方案
這一部分主要介紹了 YOLOv3 的解決方案，我們從其他研究員那邊獲取了非常多的靈感。我們還訓練了一個非常優(yōu)秀的分類網(wǎng)絡(luò)，因此原文章的這一部分主要從邊界框的預測、類別預測和特征抽取等方面詳細介紹整個系統(tǒng)。
簡而言之，YOLOv3 的先驗檢測（Prior detection）系統(tǒng)將分類器或定位器重新用于執(zhí)行檢測任務(wù)。他們將模型應(yīng)用于圖像的多個位置和尺度。而那些評分較高的區(qū)域就可以視為檢測結(jié)果。
此外，相對于其它目標檢測方法，我們使用了完全不同的方法。我們將一個單神經(jīng)網(wǎng)絡(luò)應(yīng)用于整張圖像，該網(wǎng)絡(luò)將圖像劃分為不同的區(qū)域，因而預測每一塊區(qū)域的邊界框和概率，這些邊界框會通過預測的概率加權(quán)。
我們的模型相比于基于分類器的系統(tǒng)有一些優(yōu)勢。它在測試時會查看整個圖像，所以它的預測利用了圖像中的全局信息。與需要數(shù)千張單一目標圖像的 R-CNN 不同，它通過單一網(wǎng)絡(luò)評估進行預測。這令 YOLOv3 非?？?，一般它比 R-CNN 快 1000 倍、比 Fast R-CNN 快 100 倍。
圖 1：我們從 Focal Loss 論文 [7] 中采用了這張圖。YOLOv3 在實現(xiàn)相同準確度下要顯著地比其它檢測方法快。時間都是在采用 M40 或 Titan X 等相同 GPU 下測量的。
圖 2：帶有維度先驗和定位預測的邊界框。我們邊界框的寬和高以作為離聚類中心的位移，并使用 Sigmoid 函數(shù)預測邊界框相對于濾波器應(yīng)用位置的中心坐標。
表 1：Darknet-53 網(wǎng)絡(luò)架構(gòu)。
表 2：主干架構(gòu)的性能對比：準確率（top-1 誤差、top-5 誤差）、運算次數(shù)（/十億）、每秒浮點數(shù)運算次數(shù)（/十億），以及 FPS 值。
表 3：該表來自 [7]。從中看出，YOLOv3 表現(xiàn)得不錯。RetinaNet 需要大約 3.8 倍的時間來處理一張圖像，YOLOv3 相比 SSD 變體要好得多，并在 AP_50 指標上和當前較佳模型有得一拼。
圖 3：也是借用了 [7] 中的圖，展示了以.5 IOU 指標的速度/準確率權(quán)衡過程（mAP vs 推斷時間）。從圖中可以看出 YOLOv3 準確率高，速度也快。
最后，機器之心也嘗試使用預訓練的 YOLOv3 執(zhí)行目標檢測，在推斷中，模型需要花 1s 左右加載模型與權(quán)重，而后面的預測與圖像本身的像素大小有非常大的關(guān)系。因此，吃瓜小編真的感覺 YOLOv3 很快哦。
論文：YOLOv3: An Incremental Improvement
論文鏈接：https://pjreddie.com/media/files/papers/YOLOv3.pdf
摘要：我們在本文中提出 YOLO 的版本 YOLOv3。我們對 YOLO 加入了許多設(shè)計細節(jié)的變化，以提升其性能。這個新模型相對更大但準確率更高。不用擔心，它依然非?？?。對于 320x320 的圖像，YOLOv3 可以達到 22ms 的檢測速度，獲得 28.2mAP 的性能，與 SSD 的準確率相當?shù)撬俣瓤?3 倍。當我們使用舊版.5 IOU mAP 檢測指標時，YOLOv3 是非常不錯的。它在一塊 TitanX 上以 51ms 的速度達到了 57.9 AP_50 的性能，而用 RetinaNet 則以 198ms 的速度獲得 57.5 AP_50 的性能，性能相近但快了 3 倍。
歡迎加入本站公開興趣群商業(yè)智能與數(shù)據(jù)分析群
興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價值的辦法，實際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報表系統(tǒng)等全方位知識
QQ群：81035754
文章版權(quán)歸作者所有，未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請注明本文地址：http://www.ezyhdfw.cn/yun/4751.html
摘要：基于候選區(qū)域的目標檢測器滑動窗口檢測器自從獲得挑戰(zhàn)賽冠軍后，用進行分類成為主流。一種用于目標檢測的暴力方法是從左到右從上到下滑動窗口，利用分類識別目標。這些錨點是精心挑選的，因此它們是多樣的，且覆蓋具有不同比例和寬高比的現(xiàn)實目標。 目標檢測是很多計算機視覺任務(wù)的基礎(chǔ)，不論我們需要實現(xiàn)圖像與文字的交互還是需要識別精細類別，它都提供了可靠的信息。本文對目標檢測進行了整體回顧，第一部分從RCNN...
摘要：我們可以通過在特征圖上滑動窗口來檢測目標。以前的滑動窗口方法的致命錯誤在于使用窗口作為最終的邊界框，這就需要非常多的形狀來覆蓋大部分目標。更有效的方法是將窗口當做初始猜想，這樣我們就得到了從當前滑動窗口同時預測類別和邊界框的檢測器。 單次檢測器Faster R-CNN 中，在分類器之后有一個專用的候選區(qū)域網(wǎng)絡(luò)。Faster R-CNN 工作流基于區(qū)域的檢測器是很準確的，但需要付出代價。Fas...
摘要：摘要本文介紹使用和完成視頻流目標檢測，代碼解釋詳細，附源碼，上手快。將應(yīng)用于視頻流對象檢測首先打開文件并插入以下代碼同樣，首先從導入相關(guān)數(shù)據(jù)包和命令行參數(shù)開始。 摘要：?本文介紹使用opencv和yolo完成視頻流目標檢測，代碼解釋詳細，附源碼，上手快。 在上一節(jié)內(nèi)容中，介紹了如何將YOLO應(yīng)用于圖像目標檢測中，那么在學會檢測單張圖像后，我們也可以利用YOLO算法實現(xiàn)視頻流中的目標檢...
摘要：表示類別為，坐標是的預測熱點圖，表示相應(yīng)位置的，論文提出變體表示檢測目標的損失函數(shù)由于下采樣，模型生成的熱點圖相比輸入圖像分辨率低。模型訓練損失函數(shù)使同一目標的頂點進行分組，損失函數(shù)用于分離不同目標的頂點。 本文由極市博客原創(chuàng)，作者陳泰紅。 1.目標檢測算法概述 CornerNet（https://arxiv.org/abs/1808.01244）是密歇根大學Hei Law等人在發(fā)表E...
摘要：來自原作者，快如閃電，可稱目標檢測之光。實現(xiàn)教程去年月就出現(xiàn)了，實現(xiàn)一直零零星星。這份實現(xiàn)，支持用自己的數(shù)據(jù)訓練模型?，F(xiàn)在可以跑腳本了來自原作者拿自己的數(shù)據(jù)集訓練快速訓練這個就是給大家一個粗略的感受，感受的訓練過程到底是怎樣的。 來自YOLOv3原作者YOLOv3，快如閃電，可稱目標檢測之光。PyTorch實現(xiàn)教程去年4月就出現(xiàn)了，TensorFlow實現(xiàn)一直零零星星。現(xiàn)在，有位熱心公益的程...
閱讀 3154·2021-08-03 14:05
閱讀 2207·2019-08-29 15:35
閱讀 731·2019-08-29 13:30
閱讀 3233·2019-08-29 13:20
閱讀 2588·2019-08-23 18:15
閱讀 1855·2019-08-23 14:57
閱讀 2278·2019-08-23 13:57
閱讀 1395·2019-08-23 12:10
