د آبجیکٹ کشف د عکس کټګورۍ یو ډول دی چې پکې عصبي شبکه په عکس کې توکي اټکل کوي او د دوی شاوخوا تړل شوي بکسونه راوباسي. په عکس کې د شیانو کشف او ځایی کول چې د ټولګیو د مخکینۍ سیټ سره مطابقت لري د اعتراض کشف په نوم یادیږي.
د څیز کشف (د څیز پیژندنې په نوم هم پیژندل کیږي) د کمپیوټر ویژن په ځانګړي ډول د پام وړ فرعي ډومین دی ځکه چې د کشف ، پیژندنې ، او ځایی کولو په څیر دندې په ریښتیني نړۍ شرایطو کې پراخه غوښتنلیک لټوي.
د YOLO طریقه کولی شي تاسو سره د دې کارونو په ترسره کولو کې مرسته وکړي. په دې مقاله کې، موږ به YOLO ته نږدې کتنه وکړو، په شمول چې دا څه دي، دا څنګه کار کوي، مختلف توپیرونه، او نور ډیر څه.
نو، YOLO څه شی دی؟
YOLO په عکسونو کې د ریښتیني وخت د شیانو پیژندلو او پیژندلو یوه میتود دی. دا یو لنډیز دی چې تاسو یوازې یو ځل وګورئ. Redmond et al. دا طریقه په یوه مقاله کې وړاندیز شوې چې په پیل کې په 2015 کې د کمپیوټر لید او نمونې پیژندنې (CVPR) په اړه د IEEE/CVF کنفرانس کې خپره شوې وه.
د OpenCV د خلکو د انتخاب جایزه کاغذ ته ورکړل شوه. د څیز د پیژندنې د پخوانیو میتودونو برعکس، کوم چې د کشف کولو لپاره کټګوري بیا کار کوي، YOLO د پای څخه تر پای پورې کارولو وړاندیز کوي. نوریال شبکه چې په ورته وخت کې د تړلو بکسونو او ټولګي احتمالاتو وړاندوینه کوي.
YOLO د شیانو پیژندلو لپاره د بنسټیز ډول نوې طریقې په اخیستو سره د عصري پایلې تولیدوي، په اسانۍ سره د ریښتیني وخت د څیزونو موندلو پخوانیو میتودونو څخه ښه کار کوي.
YOLO کار کوي
د YOLO میتود انځور په N گرډونو ویشي، هر یو د مساوي اندازې SxS ابعادي سکتور سره. د دې N گرډونو څخه هر یو د هغه څیز د موندلو او موندلو مسؤل دی چې پکې شتون لري.
دا ګریډونه، په بدل کې، د B بانډینګ بکس وړاندوینه کوي چې د حجرو همغږي سره تړاو لري، په بیله بیا د توکي نوم او په حجره کې د اعتراض شتون احتمال. د ډیری حجرو له امله چې ورته توکي د متنوع باؤنډینګ بکس وړاندوینې سره وړاندوینه کوي ، دا تخنیک د پام وړ محاسبه کموي ځکه چې کشف او پیژندنه دواړه د عکس څخه د حجرو لخوا اداره کیږي.
په هرصورت، دا ډیری نقل وړاندوینې تولیدوي. د دې ستونزې د حل لپاره، YOLO غیر اعظمي فشار کاروي. YOLO په غیر اعظمي فشار کې د ټیټ احتمالي نمرو سره ټول تړل شوي بکسونه فشاروي.
YOLO دا د هر انتخاب سره تړل شوي احتمالي نمرې معاینه کوي او د لوړې نمرې سره یو غوره کوي. د اوسني لوړ احتمالي باؤنډینګ بکس سره د اتحادیې په اوږدو کې ترټولو لوی انټرسیکشن سره د پابندۍ بکسونه بیا فشارول کیږي.
دا پروسه تر هغه وخته پورې دوام لري چې د بسته بندۍ بکسونه بشپړ شوي نه وي.
د YOLO مختلف توپیرونه
موږ به د YOLO ځینې خورا عام نسخې وګورو. راځه چي پیل یی کړو.
1. YOLov1
د YOLO لومړنۍ نسخه په 2015 کې په خپرونه کې اعلان شوه "تاسو یوازې یو ځل وګورئ: متحد، د ریښتیني وخت اعتراض کشفد جوزف ریډمون، سنتوش دیوالا، راس ګیرشیک، او علي فرهادي لخوا.
د خپل سرعت، دقت، او د زده کړې وړتیا له امله، YOLO په چټکۍ سره د شیانو د پیژندنې په ساحه کې تسلط ترلاسه کړ او ترټولو پراخه کارول شوي الګوریتم شو. د دې پرځای چې د څیز کشف د ډلبندۍ مسلې په توګه حل کړي، لیکوالانو دې ته د جغرافیه جلا شوي بانډینګ بکسونو او اړونده ټولګي احتمالاتو سره د راجسټریشن ستونزې په توګه مراجعه کړې ، کوم چې دوی د یوې واحد په کارولو سره حل کړي. نوریال شبکه.
YOLOv1 په ریښتیني وخت کې په هر ثانیه کې د 45 فریمونو عکسونه پروسس کوي ، پداسې حال کې چې یو کوچنی ډول ، فاسټ یولو په هر ثانیه کې 155 چوکاټونو کې پروسس شوی او لاهم د نورو ریښتیني وخت کشف کونکو دوه چنده mAP ترلاسه کوي.
2. YOLov2
یو کال وروسته، په 2016 کې، جوزف ریډمون او علي فرهادي په مقاله کې YOLOv2 (د YOLO9000 په نوم هم پیژندل شوی) خپور کړ.YOLO9000: ښه، ګړندی، پیاوړی. "
د ماډل ظرفیت حتی د 9000 مختلف توکو کټګوریو وړاندوینه کول پداسې حال کې چې لاهم په ریښتیني وخت کې چلول دا نوم 9000 ترلاسه کړی. ماډل
ځکه چې YOLOv2 هم یو لوی بریالیتوب و او په چټکۍ سره د عصري څیز پیژندنې راتلونکی ماډل شو، نورو انجینرانو د الګوریتم سره تجربه پیل کړه او خپل ځانګړي YOLO نسخې تولید کړې. د دوی ځینې به په مقاله کې په بیلابیلو ټکو بحث وشي.
3. YOLov3
په کاغذ کې "YOLOv3: یو زیاتیدونکی پرمختګ"جوزف ریډمون او علي فرهادي په 2018 کې د الګوریتم یوه نوې نسخه خپره کړه. دا په Darknet-53 جوړښت کې جوړه شوې وه. خپلواک لوژستیک طبقه بندي په YOLOv3 کې د نرم میکس فعالولو میکانیزم ځای په ځای کړ.
د بائنری کراس انټروپي تاوان د روزنې په جریان کې کارول شوی و. Darknet-19 ته وده ورکړل شوه او د Darknet-53 نوم یې بدل کړ، چې اوس 53 قانع کونکي پرتونه لري. د دې تر څنګ، وړاندوینې په دریو جلا پیمانونو ترسره شوې، کوم چې د YOLOv3 سره د وړو شیانو په وړاندوینې کې د دې دقت لوړولو کې مرسته کړې.
YOLOv3 د جوزف ریډمون وروستی YOLO نسخه وه، ځکه چې هغه غوره کړه چې نور د YOLO پرمختګونو (یا حتی د کمپیوټر لید ساحه کې) کار ونه کړي ترڅو د هغه کار مخه ونیسي چې په نړۍ کې د ناوړه اغیزو مخه ونیسي. دا اوس اکثرا د ځانګړي څیز کشف کولو معمارۍ جوړولو لپاره د پیل ټکي په توګه کارول کیږي.
4. یولوف4
الیکسي بوچکوفسکي، چاین یاو وانګ، او هانګ یوان مارک لیو خپور کړ "YOLOv4: د شیانو د کشف غوره سرعت او دقتپه اپریل 2020 کې، کوم چې د YOLO الګوریتم څلورم تکرار و.
د وزن لرونکي بقایا اتصالونه، د کراس - مرحلې - جزوي ارتباطات، د کراس مینی بیچ نورمال کول، د ځان ضد روزنه، د مشت فعال کول، ډراپ بلاک، او د CIoU ضایع ټول د SPDarknet53 جوړښت برخې په توګه معرفي شوي.
YOLOv4 د YOLO کورنۍ اولاد دی، په هرصورت، دا د جلا ساینس پوهانو لخوا رامینځته شوی (نه جوزف ریډمون او علي فرهادي). د SPDarknet53 شاته هډوکي، د ځایی پیرامید پولینګ، د غاړې په توګه د PANet لار - راټولول، او YOLOv3 سر خپل جوړښت جوړوي.
د پایلې په توګه، کله چې د خپل پلار سره پرتله کیږي، YOLOv3، YOLOv4 په هر ثانیه کې 10٪ لوړ اوسط دقیقیت او 12٪ غوره چوکاټونه ترلاسه کوي.
5. YOLov5
YOLov5 د خلاصې سرچینې پروژه ده چې د یولو ماډل پراساس د اعتراض پیژندنې ماډلونه او الګوریتمونه پکې شامل دي چې د COCO ډیټاسیټ کې دمخه روزل شوي.
YOLOv5 د مرکب اندازه شوي څیز پیژندنې ماډلونو ټولګه ده د COCO ډیټاسیټ کې روزل شوی، د TTA، ماډل اسمبلۍ، د هایپرپرامیټر پراختیا، او ONNX، CoreML، او TFLite ته د صادراتو لپاره اسانه وړتیاو سره. ځکه چې YOLOv5 کومه ځانګړې طریقه نه پلي کوي یا وده نه کوي، رسمي پاڼه نشي خوشې کیدی. دا په ساده ډول د YOLOv3 د PyTorch توسیع دی.
الټرانیټکس د دې سناریو څخه کار اخیستی ترڅو د خپل سپانسرشپ لاندې "نوي YOLO" نسخه عامه کړي. ځکه چې دلته پنځه مخکې روزل شوي ماډلونه هم د لاسرسي وړ دي، د YOLOv5 کور پاڼه خورا ساده او مسلکي جوړښت لري او لیکل شوی، د YOLOv5 ماډلونو روزنې او کارولو په اړه یو شمیر درسونه او وړاندیزونه لري.
د YOLO محدودیتونه
که څه هم YOLO د حل کولو لپاره ترټولو لوی تخنیک ښکاري د شیانو کشف ستونزې، دا یو شمیر نیمګړتیاوې لري. ځکه چې هر گرډ کولی شي یوازې یو توکي وپیژني، YOLO په انځورونو کې د کوچنیو شیانو په موندلو او جلا کولو کې ستونزه لري چې په ګروپونو کې واقع کیږي. په غولانو کې کوچني شیان لکه د میږیانو ډله، د YOLO لپاره ستونزمنه ده چې وپیژني او ومومي.
کله چې د چټک RCNN په څیر د پام وړ ورو شیانو پیژندلو میتودونو سره پرتله کیږي، YOLO په ورته ډول د لږ دقت لخوا مشخص کیږي.
د YOLOv5 کارول پیل کړئ
که تاسو په عمل کې د YOLOv5 لیدلو کې لیوالتیا لرئ، دا وګورئ رسمي GitHub او YOLOv5 په PyTorch کې.
پایله
د YOLOv5 لومړنۍ نسخه خورا ګړندۍ، فعاله، او د کارولو لپاره ساده ده. پداسې حال کې چې YOLOv5 د YOLO کورنۍ ته کوم نوی ماډل جوړښت نه اضافه کوي، دا د PyTorch روزنې او ځای پرځای کولو نوی چوکاټ چمتو کوي چې د اعتراض کشف کونکو لپاره د هنر حالت ته وده ورکوي.
برسېره پردې، YOLOv5 خورا د کاروونکي دوستانه دی او د "بکس څخه بهر" د ټاکل شوي شیانو کارولو لپاره چمتو دی.
یو ځواب ورکړئ ووځي