2023年5月19日 · YOLOv1中采用的leaky ReLU函数的表达式为： NMS非极大值抑制 概念： NMS算法主要解决的是一个目标被多次检测的问题，意义主要在于 在一个区域里交叠的很多框选一个最优的。

YOLOv1的前20层是用于特征提取的，也就是随便替换为一个分类网络(除去最后的全连接层)其实都行。因此，用ResNet34的网络作为特征提取部分。

2015年6月8日 · We present YOLO, a new approach to object detection. Prior work on object detection repurposes classifiers to perform detection. Instead, we frame object detection as a regression problem to spatially separated bounding boxes and associated class probabilities. A single neural network predicts bounding boxes and class probabilities directly from full images …

2020年4月12日 · 【yolov1创新点】 将detection视为回归问题，仅使用一个neural network同时预测bounding box的位置和类别，因此速度很快。 由于不需提取region proposal，而是直接在整幅图像进行检测，因此YOLOv1可以联系上下文信息和特征，减少将背景检测为物体的错误。

yolov1 初版. 在推出 yolo 物体检测之前，研究人员使用了基于卷积神经网络(cnn) 的方法，如 r-cnn 和fast r-cnn。这些方法使用两步流程，先预测边界框，然后使用回归对这些框中的物体进行分类。这种方法速度慢且资源密集，

2024年12月4日 · YOLOv1 的核心思想就是利用整张图作为网络的输入，直接在输出层回归 bounding box 的位置和 bounding box 所属的类别。简单来说，只看一次就知道图中物体的类别和位置。

2025年1月15日 · yolov1. 在引入 yolo 对象检测之前，研究人员使用了基于卷积神经网络 （cnn） 的方法，如 r-cnn 和 fast r-cnn。这些方法使用两步过程来预测边界框，然后使用回归对这些框中的对象进行分类。这种方法速度缓慢且占用大量资源，但 yolo 模型彻底改变了对象检测。

2023年12月19日 · 1、YOLOv1 原理. 在论文中其实不止提出了 baseline YOLOv1 模型，还提出了 Fast YOLOv1，而 Fast YOLOv1 旨在让人们看到 YOLO 的效率极限。先来看论文中的实验数据，YOLOv1 的主要对标对象是 Fast R-CNN、DPM，下面是精度 (mAP) 和 性能 (fps) 数据：

2023年11月26日 · 本文主要介绍的是YOLOV1，这是由以Joseph Redmon为首的大佬们于2015年提出的一种新的目标检测算法。

2025年1月14日 · YOLOv1. YOLOv1（You Only Look Once）是一种开创性的目标检测算法，由Joseph Redmon等人在2015年提出。 一、基本原理. 网络结构. YOLOv1的网络结构主要基于卷积神经网络（CNN）。它有24个卷积层和2个全连接层。