- 博客(10)
- 收藏
- 关注
RSS订阅原创 TX2跑YOLOv4代码所需硬件配置
sudo tar zxvf ./jdk-8u271-linux-aarch64.tar.gz -C /usr/lib/jvm sudo gedit ~/.bashrc # set java environment JAVA_HOME=/usr/lib/jvm/jdk1.8.0_271 PATH=$JAVA_HOME/bin:$PATH CLASSPATH=.:$JAVA_HOME/lib/tools.jar:$JAVA_HOME/lib/dt.jar export JAVA_HOME PAT
2020-12-07 20:45:14
822
转载 【目标检测】YOLOv3&YOLOv4学习过程
前言 本博客为学习之用，为博主在研究生期间学习目标检测初期，了解目标检测的学习记录。 1.自己制作了一个只有行人和车辆的数据库 链接：https://pan.baidu.com/s/1gR5GFd0KjeYlCljmsTRI3w 提取码：lxj6 2.在YOLOv3和YOLOv4上进行了对比 YOLOv3 YOLOv3是学习目标检测的基础，学习的教程有很多，关于理论和代码编写都是需要我们掌握的。对于初学者可能需要掌握一些卷积神经网络的基础，了解一下卷积运算就可以。 理论方面：可以观看吴恩达老师的讲解视频，
2020-09-17 20:31:53
245
原创 YOLO吴恩达（候选区域）
候选区域： 在滑动窗口算法中，使用训练好的分类器在图像中滑动，或者后面使用卷积网络预测图像时都会有一个缺点：在显然没有任何对象的区域浪费时间。 上图矩形框中，我们明显知道上面没有任何目标，但是网络还会再上面进行预测。 R-CNN算法（带区域的卷积网络）–选出一些区域，再这些区域上运行卷积网络分类器是由意义的。 选出候选区域的方法是运行图像分割算法 在色块突出的地方选择一个方框，在上面运行分类器，即可得到分类结果，可能有，可能没有。但是这样处理的位置会比全图进行分类器少很多，可以减少卷积网络分类运行时间。
2020-07-16 14:01:26
218
原创 YOLO吴恩达（0714）
YOLO algorithm 1.构造训练集 假设要训练一个算法去检测三种对象，网格设置为3*3，使用两个anchor boxs，那么输出y的大小就是3*3*2*8，2指anchor box的数量，8指向量维度（5 pc和边界框参数+3 类别数量）。要构造训练集，需要遍历9个格子，然后构成相应的目标向量y。对于格子中没有上述类别的情况，Y=[0xxxxxxx0xxxxxxx]Y=\left[\begin{array}{l} 0\\ x \\ x \\ x \\ x\\ x \\ x \\ x\\ 0\\
2020-07-16 10:49:39
114
原创 YOLO吴恩达（0713）
anchor boxs 在一个格子中可以检测多个对象 example： 在上面的图片中，行人和汽车中点在同一个格子中。按照之前的8个向量输出，c1,c2,c3只能有一个为1，即只能判定这个格子中一个类别。那么对于有两个类别和对象的情况，就需要引入anchor boxs。 思路：预先预定两个不同形状的anchor box，把预测结果和这两个anchor box关联起来。一般来说可能用到更多的anchor box，这里只举例两个。定义类别标签时，需要将输出变量重复两次，第一组为anchor box的参数，这里
2020-07-13 23:02:53
150
原创 YOLO吴恩达（0710）
1.交并比函数（intersection over union) 用途：判断对象检测算法是否运作良好 做法：计算实际边框和预测边框的交集和并集之比 在计算机检测任务中，一般要求“Correct” if IoU>=0.5。0.5为阈值来判断预测实测是否正确 这是衡量定位精确度的一种方式，可以判定正确检测和定位对象的次数。0.5是人为规定的阈值，可以向上进行变化，表明更加严格的要求。 2. ...
2020-07-11 12:55:25
168
原创 YOLO吴恩达（0709）
获得更精确的边界框——YOLO algorithm 如果输入是一个100*100的图像，在图像上放一个网格（演示时使用3*3的网格，实际应用中使用更细致的网格） 算法思路：使用图像分类和定位算法，将算法应用到网格中。 具体用法：定义训练标签，对于9个格子中的每一个指定一个标签y，y是0706笔记中提到的8维向量Y=[pcbxbybhbwc1c2c3]Y=\left[\begin{array}{l} p_{c} \\ b_{x} \\ b_{y} \\ b_{h} \\ b_{w} \\ c_{1} \\
2020-07-09 11:59:45
119
原创 YOLO吴恩达（0707）
3.特征点检测：需要改进神经网络的最后一层，让其多输出特征数据，输出单元可以进行改变。对于想要输出单元变多的情况，在制造数据集的时候，特征点需要人为提前进行标注，作为目标标签输入。 4.对象检测算法（基于滑动窗口的目标检测算法） step1:创建一个标签训练集。可以适当剪切一些图片，让汽车占据整张图片的中心位置。 step2:训练卷积神经网络。输入这些剪切过的图像，卷积网络输出结果Y。 step3:滑动窗口目标检测。对于一张大的照片，使用一个较小的方框在图片中截取小图片作为输入，使用上面训练好的卷积网络进行
2020-07-09 09:57:14
124
原创 YOLO吴恩达（0706）
1.classification with localization(定位分类） 图像识别只是可以将图片中的物体进行分类，而目标识别是在可以分类的基础上，对物体进行定位。 2.图像分类：图片进入卷积神经网络，输出一组特征向量，并反馈给softmax单元来预测图片类型 一、只考虑图片中包含一个对象 1.训练集的制作 以自动驾驶为例，需要将图片分为四类：行人、汽车、摩托车、背景（不含上面三类）。这是softmax输出的四种结果。 如果想要进一步确定图中车的位置，就需要神经网络多输出几个单元，确定一个边界框（b
2020-07-06 11:49:23
181
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人