课时01

YOLO将目标检测看成是一个回归问题

课时02

YOLO的三个优点和一个缺点

课时03

开始具体讲解YOLO模型

课时04

理解YOLO模型中的GridCell

课时05

理解YOLO模型每个BBox的置信度分值

课时06

YOLO模型针对每个BBox会预测5个值

课时07

YOLO模型每个GridCell会预测C个条件类别概率

课时08

YOLO模型对于一张图像最终输出张量形状以及如何使用

课时09

YOLO模型的网络结构是24层卷积+2层全连接

课时10

YOLO模型前20层卷积先进行分类预训练然后再训练目标检测

课时11

YOLOv1损失函数整体理解(Part1)

课时12

YOLOv1损失函数整体理解(Part2)

课时13

如果判断GridCell或者BBox是否对物体负责

课时14

关于损失函数的细节补充(Part1)

课时15

关于损失函数的细节补充(Part2)

课时16

YOLOv1在训练模型时的一些超参数设置

课时17

YOLO模型推理预测以及YOLO评估指标

课时18

总结YOLOv1模型的不足之处

课时19

YOLOv2比YOLOv1更准且更快

课时20

批量归一化_高分辨率分类器

课时21

全卷积网络Darknet-19

课时22

引入了AnchorBox机制

课时23

使用KMeans得到参考框尺寸比例

课时24

使用直接位置预测的初衷

课时25

直接位置预测的具体操作

课时26

使用细粒度特征图更好定位小物体

课时27

多尺寸训练提高模型泛化能力

课时28

Darknet19更快同时分类更准

课时29

训练Darknet-19分类网络

课时30

训练YOLOv2目标检测网络

课时31

YOLOv3虽然比YOLOv2复杂但更准同时依然保证了速度

课时32

YOLOv3作者谈了一下关于BBox预测的问题

课时33

YOLOv3将多分类转为多个二分类_YOLOv3损失函数的改变

课时34

FPN特征金字塔网络

课时35

网络结构剖析_Head多尺度预测

课时36

网络结构剖析_换一种画法也要能看懂

课时37

每个分支使用不同尺寸的3种不同比例的参考框

课时38

YOLOv3主干网络Darknet53

课时39

YOLOv3与其它目标检测网络比较

课时40

YOLOv4的提升和整体结构理解

课时41

光学几何数据增强和各种新式数据增加方法

课时42

模型提升物体被遮挡下识别能力的数据增强手段

课时43

数据不平衡给目标检测任务带来的问题

课时44

Hard Example Mining 解决数据不平衡

课时45

Focal Loss 解决数据不平衡

课时46

Hard Label 转变为 Soft Label 的两种方法

课时47

回归损失使用IoU损失替换MSE损失的好处

课时48

GIoU Loss 和 DIoU Loss

课时49

CIoU Loss 以及使用其后带来的效果体现

课时50

在backbone最后添加SPP模块来提高模型识别准确度

课时51

ASPP_RFB

课时52

backbone卷积之间加入CBAM注意力模块_关注更应关注的区域

课时53

SE 和 SAM 两种网络模块都可以来提高模型的注意力

课时54

特征融合的方法_Skip-connection_Hyper-column

课时55

特征融合的方法_FPN特征金字塔网络_SFAM

课时56

特征融合的方法_ASFF_BiFPN

课时57

激活函数ReLU的各种变体_从LeaklyReLU到SELU

课时58

激活函数 Swish、SiLU、Hard-Swish、Mish

课时59

改进的后处理方法：SoftNMS、DIoU-NMS、CIoU-NMS

课时60

YOLOv4架构=CSPDarknet53+SPP+PAN+YOLOv3Head

课时61

CSPDarknet53等于将CSPnet思想应用于Darknet53

课时62

PANet_Yolov4修改版的PAN_Yolov4修改版的SAM

课时63

YOLOv4最终使用的BOF和BOS_Cosine退火调度

课时64

减轻预测坐标框中心点坐标时的网络敏感性

课时65

YOLOv4开始一个GT框开始对应多个AnchorBoxes正例框

课时66

通过基因算法来在训练开始阶段寻找最优超参数组合

课时67

训练中随机改变每个批次图片大小_SAT自我对抗训练

课时68

CmBN（Cross mini Batch Normalization）

课时69

YOLOv4架构和使用技术点总结