深度学习与目标检测系列(二) 本文约(7万字) | 全面解读复现YOLOv1 | PyTorch |

文章目录

• 精读论文
• • 前言
  • • 翻译
    • 精读
    • • 之前的方法（RCNN系列）
      • YOLO的简介：
  • 一、Introduction—前言*
  • • 翻译
    • 精读
    • • 之前的研究：
      • YOLO处理步骤：
      • YOLO的定义：
      • YOLO的优点：
  • 二、Unified Detection—统一检测
  • • 网格单元
    • 翻译
    • 精读
    • • 思想
      • 对于每个grid cell：
      • 预测特征组成
      • 注意
    • 2.1 Network Design—网络设计
    • 翻译
    • 精读
    • • 网络结构
      • 网络详解
    • 2.2 Training—训练
    • 翻译
    • 精读
    • • 预训练分类网络
      • 训练检测网络
      • NMS非极大值抑制
      • 损失函数
      • 损失函数详解：
      • 特殊符号的含义：
    • 2.3 Inference—推论
    • 翻译
    • 精读
    • 2.4 Limitations of YOLO—YOLO的局限性
    • 翻译
    • 精读
  • 三、Comparison to Other Detection Systems—与其他目标检测算法的比较
  • • 翻译
    • 精读
    • • DPM
      • R-CNN
      • Other Fast Detectors
      • Deep MultiBox
      • OverFeat
      • MultiGrasp
  • 四、Experiments—实验
  • • 4.1 Comparison to Other RealTime Systems—与其他实时系统的比较
    • 翻译
    • 精读
    • 4.2 VOC 2007 Error Analysis—VOC 2007误差分析
    • 翻译
    • 精读
    • 4.3 Combining Fast R-CNN and YOLO—Fast R-CNN与YOLO的结合
    • 翻译
    • 精读
    • 4.4 VOC 2012 Results—VOC 2012结果
    • 翻译
    • 精读
    • 4.5 Generalizability: Person Detection in Artwork—泛化性：图像中的人物检测
    • 翻译
    • 精读
  • 五、Real-Time Detection In The Wild—自然环境下的实时检测
  • • 翻译
    • 精读
  • 六、Conclusion—结论
  • • 翻译
    • 精读
    • • 到底什么是YOLO？
      • YOLO过程总结：
• 复现代码
• • 复现YOLO v1 PyTorch
  • • 数据集
    • • find_classes.py
      • data.py
      • transform.py
      • draw_bbox.py
    • 模型
    • • darknet.py
      • resnet.py
      • yolo.py
    • scheduler.py
    • train.py
    • voc_eval.py
    • test.py