Yolo | 您所在的位置:网站首页 › yolov4模型下载 › Yolo |
Y
o
l
o
−
V
4
−
M
o
d
e
l
(
p
y
t
o
r
c
h
版
本
)
Yolo-V4-Model(pytorch版本)
Yolo−V4−Model(pytorch版本)
yolov4数据预处理
anchors相关的信息 anchors = [12,16,19,36,40,28,36,75,76,55,72,146,142,110,192,243,459,401] [12,16],即[w,h],是一对,三对为一组 [12,16,19,36,40,28] ,对应于76*76的head anchors_masks = [[6,7,8],[3,4,5],[0,1,2]] masks中0~8,对应于[12,16]~[459,401] strides = [32,16,8] 608/32 = 19 608/16 = 38 608/8 = 76 模型最后的预测输出 [tx,ty,tw,th,obj,class] 最后是如何根据预测输出进行画框的 tx,ty 用来确定预测框的中心点 tw,th用来确定anchor框的大小变化 这样就可以画出预测框 obj和class用来作为是否画框的阈值 tx、ty是物体中心点在某网格的偏移距离 tw、th是真实label框groundtruth和anchor框的偏差 结合 y = kx+b理解 y:输出特征图 x:输入特征图 k,b:卷积核 网格原理 1.整体网络使用了全卷积的架构,保留了空间信息(参照感受野理解) 2.每个特征点只负责对应于原图空间位置的物体 3.不同大小的输出头对应网格大小不同 网格大小([608/19,608/38,608/76]) 先验框Anchors的原理 tx、ty、tw、th backbone:提取特征 neck:特征融合 head: 理清loss中赋予每个维度的实际物理意义 YoloV4整体结构网络图 |
CopyRight 2018-2019 实验室设备网 版权所有 |