Nchọpụta ihe bụ ụdị nhazi onyonyo nke netwọkụ akwara na-atụ anya ihe dị na onyonyo wee dọta igbe ejichi gburugburu ha. A na-akpọ ịchọpụta na ịkọwapụta ihe n'onyinyo dabara n'usoro klaasị ahazigoro dị ka nchọpụta ihe.
Nchọpụta ihe (nke a makwaara dị ka njirimara ihe) bụ ngalaba dị mkpa nke Kọmputa Ọhụụ n'ihi na ọrụ ndị dị ka nchọpụta, njirimara, na ime obodo na-achọta ngwa sara mbara na ọnọdụ ụwa.
Ụzọ YOLO nwere ike inyere gị aka ịrụ ọrụ ndị a. N'edemede a, anyị ga-elebakwu anya na YOLO, gụnyere ihe ọ bụ, otu o si arụ ọrụ, ụdị dị iche iche, na ndị ọzọ.
Yabụ, gịnị bụ YOLO?
YOLO bụ usoro eji amata ihe na njirimara ozugbo na foto. Ọ bụ okwu mkpọ okwu maka Naanị Lee otu oge. Redmond et al. tụpụtara usoro a na akwụkwọ nke e bipụtara na mbụ na 2015 na IEEE / CVF Conference on Computer Vision and Pattern Recognition (CVPR).
Enyere akwụkwọ nrite ihe nrite Nhọrọ Ndị Mmadụ OpenCV. N'adịghị ka ụzọ nchọpụta ihe gara aga, bụ nke megharịrị ndị nhazi ọkwa ka ha mee nchọpụta, YOLO na-atụ aro iji ngwụcha ruo ọgwụgwụ. neural network nke na-ebu amụma bounding igbe na klaasị puru omume n'out oge.
YOLO na-arụpụta nsonaazụ ọgbara ọhụrụ site n'ime ụzọ ọhụrụ n'ụzọ bụ isi maka njirimara ihe, na-adị mfe karịa ụzọ nchọpụta ihe oge gara aga.
YOLO na-arụ ọrụ
Usoro YOLO na-ekewa foto a ka ọ bụrụ grids N, nke ọ bụla nwere ngalaba SxS nha nhata. Nke ọ bụla n'ime grid N ndị a na-ahụ maka ịchọpụta na ịchọta ihe dị n'ime ya.
Ihe grid ndị a, n'aka nke ya, na-ebu amụma nhazi igbe ejikọta B n'ihe metụtara nhazi cell, yana aha ihe na ohere nke ihe ahụ dị na cell. N'ihi ọtụtụ mkpụrụ ndụ na-ebu amụma otu ihe nwere amụma igbe dị iche iche, usoro a na-ebelata mkpokọta n'ihi na nchọpụta na nnabata bụ mkpụrụ ndụ sitere na foto a.
Otú ọ dị, ọ na-emepụta ọtụtụ amụma oyiri. Iji dozie nsogbu a, YOLO na-arụ ọrụ nkwụsị nke na-enweghị oke. YOLO na-egbochi igbe niile nwere akara nwere ike dị ala na nkwụsị nke na-enweghị oke.
YOLO na-eme nke a site n'inyocha akara puru omume jikọtara na nhọrọ ọ bụla wee họrọ nke nwere akara kacha elu. A na-ebelata igbe ndị nwere oke njikọ n'elu Union nwere igbe nwere ike ime ugbu a.
A na-aga n'ihu na usoro a ruo mgbe igbe ndị ahụ agwụchara.
Ọdịiche dị iche iche nke YOLO
Anyị ga-eleba anya na ụfọdụ ụdị YOLO a na-ahụkarị. Ka anyị malite.
1. YOLOv1
Ekwuwapụtara ụdị YOLO mbụ na 2015 na mbipụta "Naanị ị na-ele anya otu ugboro: Nchọpụta ihe jikọrọ ọnụ, ezigbo oge” nke Joseph Redmon, Santosh Divvala, Ross Girshick, na Ali Farhadi dere.
N'ihi ọsọ ya, izi ezi, na ike mmụta ya, YOLO na-achị ngwa ngwa n'akụkụ njirimara ihe wee ghọọ algọridim kacha eji eme ihe. Kama ịkọwa nchọpụta ihe dị ka okwu nhazi ọkwa, ndị odee bịarutere ya dị ka nsogbu nlọghachi azụ na igbe nkewa nkewa na mpaghara nwere ike ime klaasị, nke ha jiri otu otu dozie ya. neural network.
YOLOv1 haziri foto na okpokolo agba 45 kwa sekọnd n'oge dị adị, ebe obere variant, Fast YOLO, na-ahazi na okpokolo agba 155 kwa nkeji ma nwetakwa mAP okpukpu abụọ nke ihe nchọpụta oge ndị ọzọ.
2. YOLOv2
Otu afọ ka e mesịrị, na 2016, Joseph Redmon na Ali Farhadi wepụtara YOLOv2 (nke a makwaara dị ka YOLO9000) na akwụkwọ "YOLO9000: Mma, Ọsọ, siri ike. "
Ikike nke ihe nlereanya ahụ ịkọ amụma ọbụna ụdị 9000 dị iche iche mgbe ọ ka na-agba ọsọ ozugbo nwetara ya aha 9000. Ọ bụghị naanị na ụdị ụdị ọhụrụ a zụrụ n'otu oge na nchọpụta ihe na nhazi nhazi data, ma ọ nwetakwara Darknet-19 dị ka ntọala ọhụrụ. ihe nlereanya.
N'ihi na YOLOv2 bụkwa nnukwu ihe ịga nke ọma ma bụrụ ngwa ngwa na-esote ihe ngosi ihe ngosi ihe ọhụụ, ndị injinia ndị ọzọ malitere ịnwale algọridim wee mepụta nke ha, ụdị YOLO pụrụ iche. A ga-atụle ụfọdụ n’ime ha n’ebe dị iche iche n’akwụkwọ ahụ.
3. YOLOv3
N'akwụkwọ akụkọ"YOLOv3: Mmelite na-abawanye, "Joseph Redmon na Ali Farhadi bipụtara ụdị ọhụrụ nke algọridim na 2018. Ewubere ya na ụlọ ọrụ Darknet-53. Ndị na-ahụ maka nhazi ihe nrụnye nọọrọ onwe ha dochie usoro ịgbalite softmax na YOLOv3.
A na-eji ọnụọgụ ọnụọgụ abụọ cross-entropy mee ihe n'oge ọzụzụ. A kwalitere Darknet-19 wee kpọgharịa ya Darknet-53, nke nwere akwa convolutional 53 ugbu a. E wezụga nke ahụ, e mere amụma ndị ahụ n'ọ̀tụ̀tụ̀ atọ dị iche iche, bụ́ nke nyeere YOLOv3 aka ịkwalite izi ezi ya n'ịkọ obere ihe.
YOLOv3 bụ nsụgharị YOLO ikpeazụ nke Joseph Redmon, ebe ọ na-ahọrọ ịghara ịrụ ọrụ na nkwalite YOLO ọzọ (ma ọ bụ ọbụna na mpaghara ọhụụ kọmputa) iji zere ọrụ ya nwere mmetụta ọjọọ na ụwa. A na-ejikarị ya ugbu a dị ka mmalite maka iwu ụlọ ihe nchọta pụrụ iche.
4. Yolov4
Alexey Bochkovskiy, Chien-Yao Wang, na Hong-Yuan Mark Liao bipụtara "YOLOv4: Ọsọ kacha mma na izi ezi nke nchọpụta ihe" n'April 2020, nke bụ usoro nke anọ nke YOLO algọridim.
Njikọ ndị fọdụrụ dị arọ, Cross-Stage- Partial Connections, cross mini-batch normalization, ọzụzụ onwe onye iro, mish activation, drop block, na CIoU ọnwụ bụ akụkụ nke SPDarknet53 ije.
YOLOv4 bụ nwa nke ezinụlọ YOLO, Otú ọ dị, ndị ọkà mmụta sayensị dị iche iche (ọ bụghị Joseph Redmon na Ali Farhadi) mepụtara ya. Ọkpụkpụ azụ SPDarknet53, ikpokọta pyramid oghere, nchịkọta ụzọ PANet dị ka olu, na isi YOLOv3 mebere ụkpụrụ ya.
N'ihi ya, ma e jiri ya tụnyere nne na nna ya, YOLOv3, YOLOv4 na-enweta 10% dị elu nkezi nkezi yana 12% ka mma Frames kwa nkeji nke abụọ.
5. YOLOv5
NKWO5 bụ ọrụ mepere emepe nke na-agụnye ọtụtụ ụdị njirimara ihe na algọridim dabere na ụdị YOLO nke a zụrụ azụ na dataset COCO.
YOLOv5 bụ mkpokọta ụdị njirimara ihe nwere ọnụ zụrụ azụ na dataset COCO, nwere ikike dị mfe maka TTA, mgbakọ nlereanya, mmepe hyperparameter, na mbupụ na ONNX, CoreML, na TFLite. N'ihi na YOLOv5 anaghị emejuputa ma ọ bụ mepụta ụzọ ọ bụla pụrụ iche, enweghị ike ịhapụ akwụkwọ ahụ. Ọ bụ naanị mgbakwunye PyTorch nke YOLOv3.
Ultranytics jiri ọnọdụ a mee ka ọha na eze mara ụdị "YOLO ọhụrụ" n'okpuru nkwado ya. N'ihi na e nwekwara ụdị ise a zụrụ azụ nwere ike ịnweta, YOLOv5 homepage bụ ihe kwụ ọtọ na ahaziri nke ọma ma dee ya, yana ọtụtụ nkuzi na aro maka ọzụzụ na iji ụdị YOLOv5.
Mmachi YOLO
Ọ bụ ezie na YOLO yiri ka ọ bụ usoro kachasị mma maka idozi nchọpụta ihe nsogbu, o nwere ọtụtụ drawbacks. N'ihi na grid ọ bụla nwere ike ịmata otu ihe, YOLO na-esiri ike ịchọpụta na ikewapụta obere ihe na foto na-eme na otu. Obere ihe dị na swarms, dị ka ìgwè ndanda, na-esiri YOLO ike ịchọpụta na ịchọta.
Ọ bụrụ na atụnyere usoro njirimara ihe dị nwayọ dị ka ngwa ngwa RCNN, YOLO ka e jikwa izi ezi dị nta mara.
Malite iji YOLOv5
Ọ bụrụ na ị nwere mmasị ịhụ YOLOv5 ka ọ na-eme, lelee ya GitHub gọọmentị na YOLOv5 na PyTorch.
mmechi
Ụdị mbụ YOLOv5 dị ngwa ngwa, na-arụ ọrụ ma dị mfe iji. Ọ bụ ezie na YOLOv5 adịghị agbakwunye ụkpụrụ ụlọ ọhụrụ ọ bụla na ezinụlọ YOLO, ọ na-enye ọzụzụ PyTorch ọhụrụ na nhazi nhazi nke na-eme ka ọnọdụ nkà dị elu maka ndị na-achọpụta ihe.
Ọzọkwa, YOLOv5 bụ ezigbo enyi-enyi na-abịa "site na igbe" dị njikere iji ihe na-ekwu okwu.
Nkume a-aza