YOLOV5学习笔记（一）——原理概述

目录

一、目标检测概述

1.1 数据集介绍

1.2 性能指标 

1.2.1 混淆矩阵

1.2.2 IOU（边界框回归）

1.2.3 AP&mAP

1.2.4 检测速度

1.3 YOLO发展史

​1.3.1 算法思想

1.3.2  YOLOv5网络架构

---

一、目标检测概述

1.1 数据集介绍

• PASCAL VOC

• MS COCO

1.2 性能指标 

1.2.1 混淆矩阵

1.2.2 IOU（边界框回归）

IOU=1 是完全重叠

根据IOU设置的阈值来判断是TP还是FP ，比如重叠为0.5

1.2.3 AP&mAP

AP是衡量学习出来的模型在每个类别上的好坏

mAP是衡量学习出来的模型在所有类别上的好坏是AP的平均值

•  不同数据集对于AP和mAP的概念还是不同的

• AP计算 

1.2.4 检测速度

1.3 YOLO发展史

1.3.1 算法思想

• yolov3框架图

先经过卷积神经网络得到特征图像，之后对图像进行网格划分，每个网格单独进行画框检测和类别的概率图，最终得到结果。

每个小框内包含了边界框坐标、目标得分和类别得分

• 多尺度融合

 经过卷积神经网络可以得到不同大小的特征图，对不同大小的特征图进行融合利于小目标的检测。

图片卷积经过32倍下采样得到19*19的图片，每个网格都会单独预测和画锚框 

预先设定一些边界框的大小 ，每个尺度都有若干个锚框

 

• 损失函数 

1.3.2  YOLOv5网络架构

一个网络往往有主干网络（Backbone）+颈部（Neck）+头部（Head）组成 

 

• 可视化 

pip install onnx>=1.7.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install coremltools==4.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
python models/export.py --weights weights/yolov5s.pt --img 640 --batch 1