对文章《A COMPREHENSIVE REVIEW OF YOLO: FROM YOLOV1 AND
BEYOND》进行了翻译和注释，方便做论文、或者研究YOLO技术参考用。实时物体检测已经成为众多邻域应用的关键组成部分，这些领域包括：自动驾驶车辆、机器人、视频监控和增强现实等。在众多物体检测算法中，近年来，YOLO（You Only Look Once）框架以其卓越的速度和准确性脱颖而出，实际证明能够快速可靠地识别图像中的物体。自诞生以来，YOLO经过了多次迭代，每个版本都在前一版本的基础上进行改进，不断在提高性能，截至本文发稿，YOLO框架从V1已经更新到了v8。作为机器视觉技术应用的我们，有必要对YOLO的技术演进进行系统了解，熟悉YOLO每个版本之间的关键创新、差异和改进（如网络设计、损失函数修改、锚框适应和输入分辨率缩放等）。从而更好地把握YOLO的技术发展主脉搏，更好地选择应用相关的视觉识别技术。
2024-03-12 22:49:47
5.05MB
1
各论文如下：
1）You Only Look Once:Unified, Real-Time Object Detection；
2）YOLO9000:Better, Faster, Stronger；
3）YOLOv3: An Incremental Improvement；
4）YOLOv4: Optimal Speed and Accuracy of Object Detection；
5）You Only Look One-level Feature;
6)DetectoRS: Detecting Objects with Recursive Feature;
7)YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications；
8）YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object
detectors；
2023-05-02 21:10:48
21.64MB
1
new-YOLOv1_PyTorch
在这个项目中，您可以享受：
yolov1的新版本
网络
这是PyTorch构建的YOLOv1的新版本：
骨干网：resnet18
负责人：SPP，SAM
火车
批量大小：32
基础LR：1E-3
最多纪元：160
LRstep：60、90
优化器：SGD
在告诉您如何使用该项目之前，我必须说一件事，关于起源yolo-v2与我的yolo-v2之间的区别：
对于数据扩充，我从复制了扩充代码，这是一个复制SSD的极好的项目。 如果有人对SSD感兴趣，只需克隆即可学习！（别忘了给它加注星标！）
所以我不会自己写数据扩充。 我有点懒~~
我的损失函数和tools.py创建者都在tools.py ，您可以尝试更改任何参数以改进模型。
实验
环境：
Python3.6，opencv-python，PyTorch1.1.0，CUDA10.0，
2022-12-29 23:04:57
36KB
1
Yolov1、Yolov2、Yolov3、Yolov4、Yolov5、YoloX、Yolov6的算法迭代史，做成ppt形式希望帮助到大家
2022-11-24 19:32:59
10.24MB
1
目标检测
1.以YOLOv1、YOLOv2模型为展开 了解什么是单阶段模型 主干网络构造 损失函数构造
2.把模型发展优化以主干网络、Neck、Head展开来进行横向对比
3.把YOLO模型应用到汽车检测、烟雾识别等领域优点和局限性分析
4.加入哪些方法优化模型
2022-11-21 15:27:00
2.15MB
1