YOLO 学习笔记

YOLO V1

• 论文地址

  • https://arxiv.org/pdf/1506.02640.pdf

• 论文解读

  • 翻译及笔记

    • 1.YOLO v1 论文笔记1：https://blog.csdn.net/shuiyixin/article/details/82533849
    • 2.YOLO v1 论文笔记2：https://blog.csdn.net/shuiyixin/article/details/82560920

  • 目标检测模型YOLO-V1损失函数详解

    • https://blog.csdn.net/x454045816/article/details/107527326

  • 参考视频：

    • 子豪兄视频，粗略https://www.bilibili.com/video/BV15w411Z7LG
    • 详细逐句解读（只有一半）https://www.bilibili.com/video/BV1Sq4y1H7T9?p=2

• 代码实现

  • https://blog.csdn.net/wjytbest/article/details/116116966
  • https://blog.csdn.net/qq_43360533/article/details/107992817

YOLO V2

• 论文地址

  • https://arxiv.org/pdf/1612.08242.pdf

• 论文解读：

  • 学习重点：
    • Better:总共8个点，7个重点
    • Faster：Darknet-19
  • 三篇文章结合：
    • https://blog.csdn.net/u014380165/article/details/77961414
    • https://blog.csdn.net/wfei101/article/details/79398563
    • https://blog.csdn.net/qq_36926037/article/details/105588117
  • 视频讲解：

    • 推荐：https://www.bilibili.com/video/BV1Sq4y1H7T9

      • 5-7个视频

    • 子豪兄的：看一下第一个视频（要点），第二个视频没有看（Stronger可借鉴）

      • https://www.bilibili.com/video/BV1Q64y1s74K

    • 概括要点https://www.bilibili.com/video/BV1yi4y1g7ro?p=2

• 其他知识点：

  • 边框回归(Bounding Box Regression)详解：https://blog.csdn.net/zijin0802034/article/details/77685438/
  • 分析Faster RCNN中的RPN：https://blog.csdn.net/leviopku/article/details/80875368
  • 使用ImageNet预训练过的模型
  • Faster R-CNN
  • Map:https://blog.csdn.net/shuiyixin/article/details/86349643

• 网络结构图：
  

YOLO V3

• 论文地址

  • https://pjreddie.com/media/files/papers/YOLOv3.pdf

• 论文解读

  • 学习要点：四个改进

    • 网络骨架
    • 多分类
    • 先验框
    • 损失函数

  • 参考文章

    • 论文大概结构分析：

      • https://blog.csdn.net/bigbug_sec/article/details/79739133
      • https://blog.csdn.net/just_sort/article/details/80882474
      • https://blog.csdn.net/dexterod/article/details/104582362

    • 一些对比：

      • https://blog.csdn.net/leviopku/article/details/82660381

  • 参考视频

    • 框架和损失函数：https://www.bilibili.com/video/BV1yi4y1g7ro
    • 论文解读四个改进点：https://www.bilibili.com/video/BV1Sq4y1H7T9?p=8

• 代码实现

  • https://blog.csdn.net/weixin_44791964/article/details/105310627

• 其他知识点：

  • 非极大抑制：https://blog.csdn.net/u011534057/article/details/51235718
  • 感受野：https://blog.csdn.net/weixin_40519315/article/details/104388980

• 网络结构图
  

YOLO V4

• 论文地址

  • https://arxiv.org/pdf/2004.10934.pdf

• 论文解读

  • 论文翻译：https://blog.csdn.net/fengdu78/article/details/106450074

  • 论文解读：

    • 全文：https://blog.csdn.net/Chermack/article/details/106746483
    • 精读：https://blog.csdn.net/qq_36926037/article/details/106353387
    • https://zhuanlan.zhihu.com/p/143747206
    • https://blog.csdn.net/qq_41736617/article/details/107501802
    • https://zhuanlan.zhihu.com/p/357771826

  • 一些必备知识：

    • CSPNet：https://blog.csdn.net/EasonCcc/article/details/108851754
    • DenseNet:https://blog.csdn.net/EasonCcc/article/details/108602022
    • https://zhuanlan.zhihu.com/p/139764729

  • 参考视频：

    • 论文解读和重点讲解：https://www.bilibili.com/video/BV1Sq4y1H7T9
    • 搭建监测平台：https://www.bilibili.com/video/BV1Q54y1D7vj

• 代码实现

  • 源码地址：https://github.com/AlexeyAB/darknet
  • 参考代码：
    • Tiny版本:https://blog.csdn.net/weixin_44791964/article/details/107041297
    • https://blog.csdn.net/weixin_44791964/article/details/106214657

• 学习过程的一些问题

  • 数据增强的方法：图像的处理
  • 采样函数的问题

• yolov4论文解读图
  
  
  

YOLO V5

还没有完全总结好！