目标检测单阶段、双阶段检测框部分学习总结

最新推荐文章于 2026-07-03 12:51:47 发布
原创 最新推荐文章于 2026-07-03 12:51:47 发布 · 4.7k 阅读 · 25
本文深入探讨了单阶段目标检测模型YOLOv5和双阶段模型Faster R-CNN的工作原理。介绍了YOLOv5中anchor的产生、匹配机制以及NMS后处理，强调了不同尺度anchor在检测多尺寸目标中的作用。同时，详细阐述了Faster R-CNN的RPN网络和RoIPooling层，解释了如何通过RPN提取region proposal并进行精确的分类和回归。

目录

一、单阶段目标检测（以yolov5为例）

1、anchor的引入及产生

2、anchor与gt的匹配机制

3、后处理NMS机制

二、双阶段目标检测（以faster rcnn为例）

1、RPN（Region Proposal Networks）的引入

2、RoI Pooling

一、单阶段目标检测（以yolov5为例）

1、anchor的引入及产生

（1）不同尺度的anchor的作用？——yolov5中有三种不同尺度anchor共9个，在三个Detect层（3个不同尺寸地feature map）使用，每个feature map的每个grid cell都有三个anchor进行预测，对于不同特征图使用不同的anchor从而检测不同大小的目标：尺度越大的feature map，其下采样率小，感受野小，所以可以预测尺度相对比较小的物体，因此分配的anchor越小，反之亦然。如此便可以在小特征图上检测大目标，也可以在大特征图上检测小目标。

（2）为什么要引入anchor？——anchor box其实是对预测的对象范围进行约束，有助于模型快速收敛。

（3）anchor怎样产生？——通过Kmeans聚类计算得到anchor，引入先验信息，相当人为地告诉网络检测框的搜索范围，减少“胡乱”搜索，从而提高网络的收敛速度。

2、anchor与gt的匹配机制

（1）为什么需要将anchor与gt进行匹配？——yolov5方法通过聚类得到的是9对先验anchor，但这其中的某些anchor也许与gt框相差较大，不适合全部用来预测gt，因此便需要与gt框进行匹配。

（2）如何匹配？——不仅仅如果对象的中心位置是在某个grid里，这个gird的预测结果就要对这个对象负责，而且还要利

标签
#目标检测 #深度学习 #人工智能
最低0.47元/天 解锁文章
目标检测原理简介
blanokvaffy的博客
04-26 1026
目标检测是一类计算机视觉任务，简单来说，目标检测可被定义为在计算机中输入一张图像，计算机需要找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，如图一所示。目标检测是计算机视觉领域的核心问题之一，相较于最原始的将整张图片分类为某一类别，目标检测不光可以感知图像中物体的类别，还可以提取感兴趣物体在图像中的位置信息，并将图片区分为前景和背景。随着科技的进步，目标检测算法广泛的利用深度学习作为基础，在近几年有了飞速的发展。目前，目标检测算法被广泛的应用于智能驾驶、安防摄像头、工业上的裂纹污损检测等工作。
目标检测简介
Yoc Lu
08-29 2883
目标检测简介 理解一张图片，有三个主要的层次。 分类（Classification） 分类即是将图像结构化为某一类别的信息，用事先确定好的类别(string)或实例ID来描述图片。这一任务是最简单、最基础的图像理解任务，也是深度学习模型最先取得突破和实现大规模应用的任务。其中，ImageNet是最权威的评测集，每年的ILSVRC催生了大量的优秀深度网络结构，为其他任务提供了基础。在应用...
【AI面试】目标检测中one-stage、two-stage算法的内容和优缺点对比汇总
钱多多先森
04-30 1万+
目标检测算法one stage和two stage的对比
关于深度学习下目标检测入门那点事
JJGS_OD的博客
12-14 1813
关于深度学习下目标检测入门那点事你需要知道的学前班知识Ground TruthBounding Box交并比（IOU）非极大值抑制（NMS）评价参数精确率（Precision）召回率（Recall)准确率 （Accuracy）什么是目标检测？图片分类与目标检测检测网络结构单阶段与两阶段网络Anchor与Anchor Free如何学习一个新的检测网络？设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FL
如何区分单阶段目标检测和双阶段目标检测？
crasher123的博客
05-27 1490
总结： 单阶段目标检测和双阶段目标检测的主要区别在于是否采用了区域建议网络来生成候选区域，并且在目标定位和分类的流程上有所不同。这种方法通常更加准确，适用于对检测精度要求较高的场景，比如医疗影像分析、工业质检等。示例：以YOLOv3为例，输入一张图像，经过神经网络处理后，直接输出每个边界框的位置信息和类别概率，从而完成目标检测任务。该方法简单高效，适用于实时性要求较高的场景，比如视频监控、自动驾驶等。单阶段目标检测和双阶段目标检测是两种常见的目标检测方法，它们在目标检测任务中采用了不同的技术路线。
基于深度学习的目标检测综述(单阶段、多阶段、FPN变体、旋转目标检测等)
qq_36561737的博客
04-14 1万+
随着深度学习的发展，基于深度学习的目标检测方法因其优异的性能已经得到广泛的使用。目前经典的目标检测方法主要包括单阶段(YOLO、SSD、RetinaNet，还有基于关键点的检测方法等)和多阶段方法(Fast RCNN、Faster RCNN、Cascade RCNN等）。下面主要介绍单阶段的目标检测方法(SSD、YOLO系列、RetinaNet等)和多阶段目标检测方法(RCNN系列)。 一、单阶段 1、SSD 2、YOLO1 3、YOLO2 4、YOLO3 5、YOLO4 6、RetinaNet 二、多阶段
anchor详解
微凉的博客
04-30 1229
anchor
双阶段 / 单阶段 目标检测
dx_fang的博客
03-05 462
对于 RPN 得到的前景框，结合 backbone 输出的特征图，裁剪出区域，经过 ROI pooling 到统一尺度，进入 ROI Head 阶段。RPN 在训练过程中，正例和负例通过在图片中随机采样得到，正例和负例的比例是1:1。2）检测框回归损失（smooth L1, L1与L2的平滑损失）预测前景框与 gt bounding box 做损失。2）检测框回归损失（smooth L1, L1与L2的平滑损失）预测框与 gt bounding box 做损失。1）分类损失（交叉熵），预测类别的损失。
目标检测发展与综述
热门推荐
xiaobaizaza_Ry的博客
08-18 2万+
目标检测发展与综述 绪论 在github上的git主hoya012整理了关于目标检测的相关论文，点击此处可获取原文链接https://github.com/hoya012/deep_learning_object_detection 这里还有关于目标检测综述的相关论文链接 链接1：《Deep Learning for Generic Object Detection A Survey》 来自 <https://blog.csdn.net/weixin_38632246/article/de
【学习笔记】经典目标检测算法
码海畅游记录
12-26 6548
定义 目标检测任务的目标是找到图像中的所有感兴趣区域，并确定这些区域的位置和类别。目标检测领域的深度学习方法主要分为两大类：两阶段式（Two-stage）目标检测算法和单阶段式（One-stage）目标检测算法。前者是先由算法生成一系列候选边界框作为样本，然后再通过卷积神经网络分类这些样本，也被称为基于区域的方法，例如R-CNN、Fast R-CNN、Faster R-CNN、R-FCN等；后者则是直接将目标边界定位问题转换成回归问题，图像会被缩放到同一尺寸，并以网格形式均等划分，模型仅需处理图像一次就能
单阶段检测器-yolo v1、v2、v3多图详解
马飞飞的博客
03-05 7216
简介 单阶段目标检测是指没有显式给出提取候选区域的过程，直接得到最终的检测结果，将提取和检测合二为一，直接得到物体检测的结果，因此其速度往往会更快一些。 非常典型的就是yolo形式的，可以发现其网络结构是从头到底都是网络的形式，经典的单阶段检测器的变换过程为： YOLO（v1、v2、v3） ...
深度学习下的单阶段通用目标检测算法研究综述1.0
a1111111111ss的博客
09-01 561
深度学习下的单阶段通用目标检测算法研究综述 王 宁，智 敏+ 内蒙古师范大学 计算机科学技术学院，呼和浩特 010022 + 通信作者 E-mail: cieczm@imnu.edu.cn
深度学习笔记-014-目标检测基础知识
tuanzi2809的博客
03-08 714
目标检测任务及发展脉络 图 像 处 理 三 大 任 务 ： 物 体 识 别 、 目 标 检 测 、 图 像 分 割 目标检测： 给 定 一 张 图 像 ， 判 断 图 像 中 是 否 存 在 指 定 类 别 的 目 标 ， 若 存 在 ， 则 输 出 目 标 位 置 、 类 别 及 置 信 度 。 目标检测的任务： 目 标 检 测 属 于 多 任 务 ， 一 个 任 务 是 目 标 分 类 ， 另 一 个 是 目 标 位 置 的 确 定 ， 即 分 类 与 回 归 目标检测发展历程如下图 基于深层伸进网
目标检测前言——YOLO
weixin_43284996的博客
11-08 1421
目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割。它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。
双阶段目标检测：原理、优势与应用实践
最新发布
weixin_34293059的博客
07-03 535
目标检测是计算机视觉的核心任务，通过定位和识别图像中的物体为AI系统提供环境理解能力。双阶段检测采用'候选区域生成+精细检测'的架构，其核心原理是通过区域建议网络(RPN)首先生成可能包含目标的区域，再通过ROI Align等技术进行精确分类和定位。这种结构在检测精度和小目标识别方面具有显著优势，特别适合医疗影像分析、工业质检等高精度需求场景。Faster R-CNN作为典型代表，通过特征共享和端到端训练实现了效率突破。随着Transformer等新技术的引入，双阶段检测在保持高精度的同时，正在向多模态融合
深度学习目标检测技术之SSD模型
lhzhqq的博客
07-06 6171
SSD全称Single Shot Multibox Detector，是一种单阶段目标检测器。其优点是原始的YOLO和Faster R-CNN在推理速度和精度之间取得了更好的平衡。SSD模型是由Wei Liu等人在使用卷积神经网络（CNN）进行目标检测的研究中，提出的一种改进思路。SSD用于图像分类、物体检测和语义分割等各种深度学习任务。相对于其他目标检测算法，SSD模型有更高的精度，而且速度也是非常快的。
YOLO系列目标检测算法简单综述
2301_77578470的博客
10-10 612
然后采用基于颜色、纹理、形状等特 性，以及中等或高层次的语义特征，如尺度不变特征 转换（scale-invariant feature transform，SIFT）[1] 、哈尔 特征（Haar）[2] 、方向梯度直方图（histogram of oriented gradients，HOG）[3] 等，提取候选框中的局部信息。尽管在资源受限或对解释性要求较高的情 景中，传统方法呈现一定的优势，然而当前阶段的图 像识别系统通常针对特定任务，数据规模有限，且泛 化能力较差，难以实现精确的实际识别效果。
速学yolo：YOLO 与其他目标检测算法对比
喵叔
12-23 3112
YOLO、Faster R-CNN 和 SSD 是目标检测领域的经典算法，各自代表了不同的技术路线和设计思路。
【深度学习】（四）目标检测——上篇
weixin_45355387的博客
08-12 2903
上一章介绍了图像分类，这一章来学习一下目标检测上篇。简单来说，需要得到图像中感兴趣目标的类别信息和位置信息，相比于分类问题，难度有所提升，对图像的描述更加具体。在计算机视觉众多的技术领域中，目标检测（Object Detection）也是一项非常基础的任务，图像分割、物体追踪、关键点检测等通常都要依赖于目标检测。......
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值