YOLO

参考

• github文章
• YOLO系列算法原理解析
• How to use YOLOv8 and YOLO-NAS for Object Detection
• compare different models and weigh up their respective advantages and disadvantages
• bilibili

使用

安装

pip install opencv-python ultralytics 

训练

导入库：

import cv2
from ultralytics import YOLO

选择模型：

model = YOLO("yolov8n.pt")

预测

predict and detect objects in images and videos

def predict(chosen_model, img, classes=[], conf=0.5):
    if classes:
        results = chosen_model.predict(img, classes=classes, conf=conf)
    else:
        results = chosen_model.predict(img, conf=conf)

    return results


def predict_and_detect(chosen_model, img, classes=[], conf=0.5):
    results = predict(chosen_model, img, classes, conf=conf)

    for result in results:
        for box in result.boxes:
            cv2.rectangle(img, (int(box.xyxy[0][0]), int(box.xyxy[0][1])),
                          (int(box.xyxy[0][2]), int(box.xyxy[0][3])), (255, 0, 0), 2)
            cv2.putText(img, f"{result.names[int(box.cls[0])]}",
                        (int(box.xyxy[0][0]), int(box.xyxy[0][1]) - 10),
                        cv2.FONT_HERSHEY_PLAIN, 1, (255, 0, 0), 1)
    return img, results

介绍

目标检测任务

目标检测任务是计算机视觉领域的一个重要任务，其目标是从图像或视频中检测出感兴趣的目标，并对其进行分类、定位和跟踪。目标检测任务的主要挑战是如何高效地检测出大量的目标，同时保持高的检测精度。

目标检测任务可以分为两大类：object localization and object classification.

1. 分类任务：检测出目标的类别，如人、狗、车等。
2. 定位任务：检测出目标的位置，如矩形框、边界框等。

RCNN系的算法的基本思想是“区域提取”与目标分类的Two-Stage方法。首先，通过区域提取器（Region Proposal）生成候选区域，然后将候选区域输入到分类器中进行分类。这种方法的优点是准确率高，但是计算量大，速度慢。

YOLO系的算法的基本思想是“一次卷积”与“一次预测”的One-Stage方法。它们将物体检测视为一个回归问题。首先，将整个图像输入到卷积神经网络中，得到图像的特征图。然后，将特征图划分为多个网格，每个网格预测出一个边界框和置信度。最后，将边界框与置信度输入到线性回归层中，得到目标的类别和位置。这种方法的优点是计算量小，速度快。

传统目标检测方法

传统的目标检测方法通常包括以下几种：

1. 基于区域的检测方法：通过对图像中的不同区域进行检测，如滑动窗口、多尺度、多任务等。
2. 基于深度学习的检测方法：通过深度学习技术，如卷积神经网络、深度神经网络等，对图像进行特征提取，并进行分类和回归。
3. 基于特征的检测方法：通过对图像的特征进行匹配，如SIFT、SURF、HOG等，来检测出目标。

传统的目标检测方法存在以下问题：

1. 计算复杂度高：传统的目标检测方法需要大量的计算资源，如GPU、多线程等。
2. 准确率低：传统的目标检测方法的准确率往往不高，原因是它们对目标的形状、大小、位置等特征进行了假设，并没有充分利用图像的全局信息。
3. 实时性差：传统的目标检测方法的实时性较差，因为它们需要对每张图像进行多次前向传播，耗时较长。

RCNN系

候选区域提议网络（Region-based Convolutional Neural Networks，R-CNN）是一种基于区域的卷积神经网络，其主要思想是通过对图像中的不同区域进行检测，并对检测到的目标进行分类和回归。R-CNN的网络结构如下图所示：

1. R-CNN：Region-based Convolutional Neural Networks，基于区域的卷积神经网络。
2. Fast R-CNN：快速的基于区域的卷积神经网络。
3. Faster R-CNN：更快的基于区域的卷积神经网络。

YOLO

YOLO（You Only Look Once）是一种目标检测算法，其主要思想是通过在整个图像上只进行一次前向传播来检测目标，并对检测到的目标进行分类和回归。YOLO的主要特点是速度快、准确率高、可以实时处理视频流。

YOLO的网络结构由两部分组成：

• 第一部分是卷积神经网络（CNN），用于提取图像特征。
• 第二部分是线性回归层（Linear layer），用于预测目标的类别和位置。

YOLO v1

YOLO v1的网络结构如下图所示：

1. 将原始图片缩放为448x448。
2. 将缩放后的图片输入到CNN中，得到特征图。
3. 将特征图划分为13x13的网格，每个网格预测出2个边界框和2个置信度。
4. 将边界框与置信度输入到线性回归层中，得到目标的类别和位置。

YOLO v3

• Darknet-53的网络结构
  • 增加了BatchNormalization层
  • 增加了残差连接
• 多尺度特征进行预测
• 9种尺度的预测框

YOLO v4

YOLO v5

YOLO-NAS

YOLO v8

YOLOv8-Pose

Docs official

---