yolo系类问答摘抄

痛定思痛。 2022-10-07 10:52 82阅读 0赞

课程上笔记，总结一下：

# 1. 图像划分网格是通过主干网中的卷积层来实现的嘛？基本原理是怎样的呢？ #

是的，以yolo v1为例，输入的图像尺寸为448x448，经过6层卷积（每层卷积使尺寸减半），最后得到的feature map的尺寸即为7x7，为了将原图与feature map相对应，就需要将原图划分成7x7的格子，每个格子对应feature map中的一个点。

# 2. yolo目标检测中怎么确定物体的中心点落在哪个网格的？ #

答：根据ground-truth中预先标定的物体坐标和长宽来确定。

# 3. yolov1有pytorch版本吗？ #

大家参考一下～https://gitee.com/zhang8yiming/cv/tree/master/Projects/yolo\_v1\_pytorch-master

# 4. 怎么改进算法提升YOLO对遮挡的物体和小目标的检测精度 #

答：“被遮挡”其实就意味着物体之间间距很近，这时候就需要模型输出尺度更大的特征图，并进而产生更多的anchor，之后在通过NMS中阈值的调整，即可实现对“被遮挡”物体检测的优化。小目标检测的困难一方面是由于目标小所造成的模型损失权重过小，导致网络在训练过程中主动忽略了小目标，另一方面是小目标会随着骨干网络下采样的过程，逐渐被周围的环境信息所稀释，以至于采样到最后可能就找不到小目标了。对此可以通过修改损失函数，或者使用类似跳跃式链接或多尺度模型输出的方式，提升小目标的检测效果。

# 5. yolo可以做到只检测物体的位置不对其进行分类吗？ #

答：可以，把所有物体类别都设置成一样的，即模型只区分“是物体”“不是物体”即可。

# 6. 想问一下yolo检测算法可以用在物体表面点（很多点)位置分布均匀性的检测上吗 #

答：可以的，只要输入是图片并且有相应的标注就可以。

# 7.YOLO v5是否适合复杂背景纹理下的小目标检测， #

答：追求精度而不是速度并且要检测小目标的话推荐用二阶段的物体检测模型。。

# 8. 想问下YOLO进行模型压缩的机理是什么 #

答：例如模型剪枝。深度学习模型中的参数是完全冗余的，即有相当大量的参数对模型预测结果是没有什么影响的，这时候可以通过剪枝的方式把这些不必要的参数剪掉，常用的有通道剪枝（即直接把某层的某一通道去掉）或层剪枝（删光了一层就都没有了）。剪枝是在模型推理速度与精度之间找平衡。

# 9. 数据标注过程中，肉眼认为不适合标注的样本，仍然标注后，放入训练集是否有意义？即机器学习对特征的感知能力是否高于人类的感知。 #

答：有负面意义。例如做人脸检测的时候，图像中同时有人脸和卡通人像的脸，那么标记卡通人像的脸会对人脸检测的总体精度造成负面影响。

# 10. 肉眼区别不出的假目标 没有添加标注 训练后机器学习后能区别出假目标不予以误判吗？ #

答：如果“人脸检测数据集中，有没有标注的人脸”那么一般来说模型是可以检测出来的。如果是“物体检测任务中所有小汽车都标注了但是大卡车没有标注”，那么模型也检测不出大卡车。

# 11. YOLO作者分析数据集，然后根据数据集的特性提出了几种主要anchor box的大小，这部分的原理或者代码能够讲解一下吗，想深入学习一下，针对自己的数据集可能效果会有提升 #

答：简单来说，如果你的数据集里只有各种球体（篮球足球网球排球），那么所有target的框的长宽比显然都是1：1，这时候就可以把anchor的长宽比也改成1：1；如果你要检测的物体都是钢筋，那么此时anchor的长宽比就应设置为10：1或1：10。具体而言，你可以把label里所有的box都整理出来，用机器学习算法进行聚类，比如聚成3类，然后聚点就是那个最合适的尺寸。