YOLO Explained #machinelearning #datascience #deeplearning #objectdetection #computervision
3-Second Blueprint (English)
- Unlike two-stage R-CNN models that separate region proposal from classification, YOLO predicts boxes and classes in a single pass.
- Divides an input image into an N×N grid where each cell predicts K anchors containing objectness probability, box size, and class scores.
- During inference, low-probability boxes are discarded and high Intersection-over-Union overlaps are pruned around top detections.
YOLO Object DetectionSpatial Grid AnchorsBounding-Box RegressionIoU Non-Max Suppression
3-Sekunden-Fazit (Deutsch)
- Anders als zweistufige R-CNN-Modelle vereint YOLO Regionsvorschläge und Klassifikation in einem einzigen schnellen Vorwärtsdurchlauf.
- Teilt das Bild in ein N×N-Raster, in dem jede Zelle K Ankerboxen samt Objekt-Wahrscheinlichkeit, Koordinaten und Klassen vorhersagt.
- Bei der Inferenz filtert YOLO unsichere Boxen heraus und entfernt stark überlappende Duplikate mittels Intersection-over-Union.
YOLO-ObjekterkennungN×N-Raster-AnkerboxenBounding-Box-RegressionIoU-Unterdrückung (NMS)
Note / Hinweis: Blueprints are AI-generated educational summaries (0% Politics · 0% Religion · 0% Brainrot) and do not constitute medical, legal, or financial advice. / KI-generierte Zusammenfassung zu Bildungszwecken – ersetzt keine medizinische, rechtliche oder finanzielle Fachberatung.