目标检测 YOLOv5 边框预测（bounding box prediction）

目标检测 YOLOv5 边框预测（bounding box prediction）

flyfish

代码在yolo.py

主要是这段代码

y = x[i].sigmoid()
y[..., 0:2] = (y[..., 0:2] * 2. - 0.5 + self.grid[i]) * self.stride[i]  # xy
y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
z.append(y.view(bs, -1, self.no))

用公式表示如下

b

x

=

σ

(

t

x

)

×

2

−

0.5

+

c

x

b

y

=

σ

(

t

y

)

×

2

−

0.5

+

c

y

b

w

=

p

w

(

σ

(

t

w

)

×

2

)

2

b

h

=

p

h

(

σ

(

t

h

)

×

2

)

2

\begin{array}{c} b_{x}=\sigma\left(t_{x}\right) \times 2-0.5+c_{x} \\ b_{y}=\sigma\left(t_{y}\right) \times 2-0.5+c_{y} \\ b_{w}=p_{w}\left(\sigma\left(t_{w}\right) \times 2\right)^{2} \\ b_{h}=p_{h}\left(\sigma\left(t_{h}\right) \times 2\right)^{2} \end{array}

bx​=σ(tx​)×2−0.5+cx​by​=σ(ty​)×2−0.5+cy​bw​=pw​(σ(tw​)×2)2bh​=ph​(σ(th​)×2)2​
这样改造的原因

YOLOv3的代码等于 ** 1.0，还是其他** 1.6，** 2.0

y[..., 2:4] = (y[..., 2:4] * 2) ** 1.0 * self.anchor_grid[i]  # wh
= y[..., 2:4] * 2 * self.anchor_grid[i]  # wh 

这段代码改造自 YOLOv3

b

x

=

σ

(

t

x

)

+

c

x

b

y

=

σ

(

t

y

)

+

c

y

b

w

=

p

w

e

t

w

b

h

=

p

h

e

t

h

\begin{aligned} b_{x} &=\sigma\left(t_{x}\right)+c_{x} \\ b_{y} &=\sigma\left(t_{y}\right)+c_{y} \\ b_{w} &=p_{w} e^{t_{w}} \\ b_{h} &=p_{h} e^{t_{h}} \end{aligned}

bx​by​bw​bh​​=σ(tx​)+cx​=σ(ty​)+cy​=pw​etw​=ph​eth​​

简写是

版权声明：本文为CSDN博主「TheOldManAndTheSea」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/flyfish1986/article/details/117425996