大家好，我是csdn的博主：lqj_本人
这是我的个人博客主页：
lqj_本人的博客_CSDN博客-微信小程序,前端,python领域博主lqj_本人擅长微信小程序,前端,python,等方面的知识https://blog.csdn.net/lbcyllqj?spm=1011.2415.3001.5343哔哩哔哩欢迎关注：小淼Develop
小淼Develop的个人空间-小淼Develop个人主页-哔哩哔哩视频
本篇文章主要讲述python的计算机视觉【YOLOV5目标检测模型】，本篇文章已经成功收录YOLOV5系列从入门到实战专栏中：
https://blog.csdn.net/lbcyllqj/category_12307626.html?spm=1001.2014.3001.5482https://blog.csdn.net/lbcyllqj/category_12307626.html?spm=1001.2014.3001.5482
什么是YOLO
YOLO是目标检测模型。
目标检测是计算机视觉中比较简单的任务，用来在一张图篇中找到某些特定的物体，目标检测不仅要求我们识别这些物体的种类，同时要求我们标出这些物体的位置
显然，类别是离散数据，位置是连续数据。
上面的图片中，分别是计算机视觉的三类任务：分类，目标检测，实例分割。
很显然，整体上这三类任务从易到难，我们要讨论的目标检测位于中间。前面的分类任务是我们做目标检测的基础，至于像素级别的实例分割，太难了别想了。
YOLO在2016年被提出，发表在计算机视觉顶会CVPR(Computer Vision and Pattern Recognition)上。
YOLO的全称是you only look once，指只需要浏览一次就可以识别出图中的物体的类别和位置。
因为只需要看一次，YOLO被称为Region-free方法，相比于Region-based方法，YOLO不需要提前找到可能存在目标的Region。
也就是说，一个典型的Region-base方法的流程是这样的：先通过计算机图形学（或者深度学习）的方法，对图片进行分析，找出若干个可能存在物体的区域，将这些区域裁剪下来，放入一个图片分类器中，由分类器分类。
因为YOLO这样的Region-free方法只需要一次扫描，也被称为单阶段（1-stage）模型。Region-based方法方法也被称为两阶段（2-stage）方法。
YOLO之前的世界
YOLO之前的世界，额，其实是R-CNN什么的，也就是我们前面说的Region-based方法，但是感觉还是太高端了。我们从用脚都能想到的目标检测方法开始讲起。
如果我们现在有一个分类器：
但是，我们不仅仅想处理这种一张图片中只有一个物体的图片，我们现在想处理有多个物体的图片。
那么该这样做：
首先有几点我们要实现想到：首先物体的位置是不确定的，你没办法保证物体一定在最中间；其次，物体的大小是不确定的，有的物体比较大，也有的物体比较小，注意，这里不是说大象一定更大，猫咪一定更小，毕竟还有近大远小嘛；然后，我们还没办法保证物体的种类，假设我们有一个可以识别100中物体的分类器，那么起码图片中出现了这100种物体我们都要识别出来。
比如说这样：
YOLO原理
目标检测是基于监督学习的，每张图片的监督信息是它所包含的N个物体，每个物体的信息有五个，分别是物体的中心位置(x,y)和它的高(h)和宽(w)，最后是它的类别。
YOLO 的预测是基于整个图片的，并且它会一次性输出所有检测到的目标信息，包括类别和位置。
YOLO的第一步是分割图片，它将图片分割为 S² 个grid，每个grid的大小都是相等的：
YOLO的聪明之处在于，它只要求这个物体的中心落在这个框框之中。
这意味着，我们不用设计非常非常大的框，因为我们只需要让物体的中心在这个框中就可以了，而不是必须要让整个物体都在这个框中。
我们要让这个 S² 个框每个都预测出B个bounding box，这个bounding box有5个量，分别是物体的中心位置(x,y)和它的高(h)和宽(w)，以及这次预测的置信度。
每个框框不仅只预测B个bounding box，它还要负责预测这个框框中的物体是什么类别的，这里的类别用one-hot编码表示。
注意，虽然一个框框有多个bounding boxes，但是只能识别出一个物体，因此每个框框需要预测物体的类别，而bounding box不需要。
也就是说，如果我们有 S² 个框框，每个框框的bounding boxes个数为B，分类器可以识别出C种不同的物体，那么所有整个ground truth的长度为：
bounding box显示：
图片被分成了49个框，每个框预测2个bounding box，因此上面的图中有98个bounding box。
可以看到这些BOX中有的边框比较粗，有的比较细，这是置信度不同的表现，置信度高的比较粗，置信度低的比较细。
在详细的介绍confidence之前，我们先来说一说关于bounding box的细节。
bounding box可以锁定物体的位置，这要求它输出四个关于位置的值，分别是x,y,h和w。我们在处理输入的图片的时候想让图片的大小任意，这一点对于卷积神经网络来说不算太难，但是，如果输出的位置坐标是一个任意的正实数，模型很可能在大小不同的物体上泛化能力有很大的差异。
这时候当然有一个常见的套路，就是对数据进行归一化，让连续数据的值位于0和1之间。
对于x和y而言，这相对比较容易，毕竟x和y是物体的中心位置，既然物体的中心位置在这个grid之中，那么只要让真实的x除以grid的宽度，让真实的y除以grid的高度就可以了。
但是h和w就不能这么做了，因为一个物体很可能远大于grid的大小，预测物体的高和宽很可能大于bounding box的高和宽，这样w除以bounding box的宽度，h除以bounding box的高度依旧不在0和1之间。
解决方法是让w除以整张图片的宽度，h除以整张图片的高度。
下面的例子是一个448*448的图片，有3*3的grid，展示了计算x,y,w,h的真实值（ground truth）的过程：
confidence的计算公式是：
这个IOU的全称是intersection over union，也就是交并比，它反应了两个框框的相似度。
存在一个不得不考虑的问题，如果物体很大，而框框又很小，一个物体被多个框框识别了怎么办？
这时用到一个叫做非极大值抑制Non-maximal suppression(NMS)的技术。
这个NMS还是基于交并比实现的。
B1,B2,B3,B4这四个框框可能都说狗狗在我的框里，但是最后的输出应该只有一个框，那怎么把其他框删除呢？
这里就用到了我们之前讲的confidence了，confidence预测有多大的把握这个物体在我的框里，我们在同样是检测狗狗的框里，也就是B1,B2,B3,B4中，选择confidence最大的，把其余的都删掉。
也就是只保留B1。
YOLOV5
YOLOV5目前的四个版本与版本对应的不同的性能如下图：
YOLOV4出现之后不久，YOLOv5横空出世。YOLOv5在YOLOv4算法的基础上做了进一步的改进，检测性能得到进一步的提升。虽然YOLOv5算法并没有与YOLOv4算法进行性能比较与分析，但是YOLOv5在COCO数据集上面的测试效果还是挺不错的。大家对YOLOv5算法的创新性半信半疑，有的人对其持肯定态度，有的人对其持否定态度。在我看来，YOLOv5检测算法中还是存在很多可以学习的地方，虽然这些改进思路看来比较简单或者创新点不足，但是它们确定可以提升检测算法的性能。其实工业界往往更喜欢使用这些方法，而不是利用一个超级复杂的算法来获得较高的检测精度。
YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。
目标检测（Object Detection）=What,and where
定位Lcalization
位置（最小外界矩形，Bounding box）
识别Recognition what？
类别标签（Category label）
置信度得分（Confidence score）
定位和检测：
定位是找到检测图像中带有一个给定标签的单个目标。
检测时找到图像中带有给定标签的所有目标。
目标检测数据集
1.PASCAL VOC
2.MS COCO
PASCAL VOC:
PASCAL VOC挑战赛再2005年到2012年间展开。
PASCAL VOC 2007：9963张图片，24640个标注；PASCAL VOC2012：11530张图片，27450个标注，该数据集有20个分类：
Person：person
Animal：bird，cat，cow，dog，horse，sheep
Vehicle：aerop，bicy，boat，bus，car，motorbike，train
Indoor：botle，chair，dining table，potted plant，sofa，tv/monitor
链接：The PASCAL Visual Object Classes Challenge 2012 (VOC2012)
MS COCO
MS COCO的全称时Microsoft Common Objects in Context，起源于是微软于2014出资标注的Microsoft COCO数据集，与ImageNet竞赛一样，被视为是计算机视觉领域最受欢迎和最权威的比赛之一。
在ImageNet竞赛停办后，COCO竞赛就成为是当前目标识别、检测等领域的一个最权威、最重要的标杆，也是目前该领域在国际上唯一能汇集Google、微软、Facebook以及国内外众多顶尖院校的优秀创新企业共同参与的大赛。
COCO - Common Objects in Context
COCO数据集包含20万个图象：11.5万多张训练集图片，5千张验证集图像，2万多张检测集图像
80个类别中有超出50万个目标标注
平均每个图像的目标数为7.2文章来源：https://www.toymoban.com/news/detail-458618.html
文章来源地址https://www.toymoban.com/news/detail-458618.html
到了这里，关于YOLOV5入门讲解+常用数据集的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
