keras--yolov3目标检测

keras中文文档:https://keras.io/zh/

 

论文理解：

边框回归的理解：https://blog.csdn.net/zijin0802034/article/details/77685438

retinanet理解：https://www.jianshu.com/p/db4ccd194109

yolo理解：https://zhuanlan.zhihu.com/p/49556105

 

代码实现及理解

整体理解：https://www.cnblogs.com/wangxinzhe/articles/10592184.html

YOLOv3  keras代码跑自己数据集：https://blog.csdn.net/Patrick_Lxc/article/details/80615433

https://blog.csdn.net/u012746060/article/details/81183006

yolo v3 keras代码理解：https://github.com/SpikeKing/keras-yolo3-detection                         

 https://danielack.github.io/2018/08/25/yolov3Keras%E5%AE%9E%E7%8E%B0%E8%A7%A3%E8%AF%BB

yolo v3中具体操作及函数参考：

yolo v3目标检测中需要将图像转换为固定416*416大小，调整图像操作参见PIL：https://www.colabug.com/4009413.html

处理数据阶段得到有关数据的生成器 generator：https://www.ibm.com/developerworks/cn/opensource/os-cn-python-yield/

yolo v3中心点相对原图像比例的误差采用的是keras.backends.binary_crossentropy，而此函数内部采用的是sigmoid_cross_entropy_with_logits，sigmoid_cross_entropy_with_logits具体计算参见：https://blog.csdn.net/brooknew/article/details/84660830，衡量两者对于sigmoid的符合度。

keras模型保存参见save/save_weights函数：https://blog.csdn.net/leviopku/article/details/86612293

极大值NMS抑制函数（存在多个边界框，保留概率最大的那个，去除掉与这个概率最大的边界框的IoU大于一个阙值的其余边界框）：https://blog.csdn.net/m0_37393514/article/details/81777244

扩展：

各类损失函数的理解：https://www.jianshu.com/p/47172eb86b39

yolo v3中的可视化：https://blog.csdn.net/qq_34806812/article/details/81459982

keras中可视化网络模型：https://www.jianshu.com/p/089302461a6b

原文链接：https://blog.csdn.net/qq_34963853/article/details/88815022