【人工智能全栈学习-计算机视觉】Yolo系列（看完就全懂了）
【人工智能全栈学习-计算机视觉】Yolo系列（看完就全懂了）一、问题二、人工智能全栈学习系列课程三、Yolo V1One-Stage and Two-Stagemap和IOUYolo V1位置误差置信度Yolo V1局限性四、Yolo V2DropoutBatch Normalization：目的是处理隐藏层的不敏感问题本系列文章不可转载！！！一、问题本章问题导读，如果面试前以下题目还有不会的建议
【人工智能全栈学习-计算机视觉】Yolo系列（看完就全懂了）
本系列文章不可转载！！！
一、问题
| 本章问题导读，如果面试前以下题目还有不会的建议看本篇文章 |
|---|
| 1.什么是YOLO，解释YOLO v1的三十个维度 |
| 2.什么是YOLO V2，解释Batch Normalization，并阐述其作用 |
二、人工智能全栈学习系列课程
【人工智能全栈学习】机器学习基础知识——线性回归与逻辑回归（看完就全懂了）
【人工智能全栈学习】机器学习基础知识——传统机器学习（看完就全懂了）
【人工智能全栈学习】机器学习基础知识——分类器和机器学习三大定律（看完就全懂了）
【人工智能全栈学习-情感分析】BiLSTM（看完就全懂了）
【人工智能全栈学习-情感分析】Bert（看完就全懂了）
【人工智能全栈学习-知识图谱】零基础实践——动手学关系抽取
【人工智能全栈学习-知识图谱】零基础理论——动手学关系抽取：TextCNN&LSTM
【人工智能全栈学习-计算机视觉】Yolo系列（看完就全懂了）
【人工智能全栈学习-图像分割】语义分割和实例分割（看完就全懂了）
三、Yolo V1
One-Stage and Two-Stage
map和IOU
map是综合考虑precision和recall
Yolo V1
最终得到的结果是B1,B2两个预选框，每个框五个维度， [ x 1 , y 1 , w 1 , h 1 , c 1 ( 置 信 度 ) ] ∗ 2 + 20 ( 20 个 种 类 的 概 率 ) = 30 [x_1,y_1,w_1,h_1,c_1(置信度)]*2+20(20个种类的概率)=30 [x1,y1,w1,h1,c1(置信度)]∗2+20(20个种类的概率)=30
利用损失函数进行相应的训练。
位置误差
置信度
Yolo V1局限性
四、Yolo V2
Dropout
Batch Normalization：目的是处理隐藏层的不敏感问题
一站式 AI 云服务平台
更多推荐
1
0- 0
已为社区贡献7条内容
所有评论(0)