机器学习基础(六) —— Car Detection With YOLO(V2)

最新推荐文章于 2023-12-09 00:30:00 发布
最新推荐文章于 2023-12-09 00:30:00 发布
阅读量1.4k 收藏 4
点赞数 1
分类专栏： 机器学习基础 文章标签： 机器学习 物体识别 Python YOLO
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/alnlll/article/details/80218290
版权
本文介绍了使用YOLO V2进行车辆检测的基础知识，包括滑动窗口、锚点检测、损失函数、输入输出设计以及非极大值抑制。通过YOLO V2算法，可以实现实时的车辆检测，精确识别车辆位置和概率。
摘要由CSDN通过智能技术生成

以下内容为吴恩达 Deep Learning系列课程记录,推荐大家去学习.

1、问题描述

应用需要解决的问题是在一段实际公路行驶视频中实时进行车辆检测并显示其位置及预测概率，这里使用的公路行驶录像如下(这段视频资料来自drive.ai)：

https://github.com/Alnlll/ML/blob/master/several_apps/002-CarDetection/videos/road_video.mp4

实现车辆检测需要给出“车辆种类”、“车辆在图片中位置”信息，其中还应包含属于该种类的“概率”大小，据此设计输出为

Box Label

  • p c 表 示 在 边 界 框 内 是 否 存 在 感 兴 趣 物 体 p_c表示在边界框内是否存在感兴趣物体 pc​表示在边界框内是否存在感兴趣物体
  • b x , b y 为 物 体 中 心 的 位 置 坐 标 ( 左 上 角 为 原 点 ) b_x, b_y为物体中心的位置坐标(左上角为原点) bx​,by​为物体中心的位置坐标(左上角为原点)
  • b h , b w 为 物 体 高 度 和 长 度 ( 按 其 与 边 界 框 比 例 记 ) b_h, b_w为物体高度和长度(按其与边界框比例记) bh​,bw​为物体高度和长度(按其与边界框比例记)
  • c 为 物 体 种 类 编 号 c为物体种类编号 c为物体种类编号

2、YOLO V2

本项目使用YOLO作为基础算法解决前述问题。YOLO（You Only Look Once）是一种通过一次前向就可以对多种物体检测得出一次结果的算法，相较于其之前的算法速度大大提升而得以完成实时检测任务。（参考DeepLearning.ai课程和YOLO）

下面我们来看YOLO到是什么，通过什么方法解决了什么问题而得到较好的结果的。

a、滑动窗口

有一张较大图片需要进行物体检测，我们不直接使用大图片进行检测，而是使用不同大小的窗口截图图片然后送入网络进行检测，如果物体的中心点被认为在某窗口中，说明这个窗口内存在我们要检测的目标物体, 输出 P c = P_c = P

最低0.47元/天 解锁文章
alnlll
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
目标检测YOLO实战应用案例100讲-基于深度学习的遥感目标检测算法FPGA部署实现研究
qq_36130719的博客
06-19 2714
目标检测网络是计算机视觉领域的一个重要研究方向，目前在研究和使用的目标检测网络都是基于深度学习的深度神经网络。基于深度学习的目标检测网络算法大致可以分为两大类，一类是单阶段目标检测网络，一类是二阶段目标检测网络。二阶段目标检测网络如RCNN需要生成多个候选区域在进行目标的分类和定位，运行的速度较慢，而单阶段目标检测网络则不需要通过候选区域直接生成目标的分类和定位信息，所以速度较快，本文也选择了基于YOLO系列算法的YOLOX作为基础模型。
目标检测YOLO实战应用案例100讲-基于深度学习的SAR图像舰船目标检测（续）
最新发布
qq_36130719的博客
12-12 223
我们在解决图像问题过程中，往往是在网络中不仅仅考虑了某一向量,也即在卷积神经网络中不仅仅考虑了某一像素点，而只是使在我们的模型中产生了一种感知野(Receptive field)[92]，对自注意力机制而言，是模型自身的感知野是怎样的。因此， CNN卷积神经网络是在特定状态下的一个自注意力机制。循环神经网络（RNN）和自注意力机制也是相似的，但RNN只能接受前面的输出作为输入，而自注意力机制可以同时接受所有的向量作为输入，所以在一定程度 上可以说自注意力机制比循环神经网络更有效率。
car_detection_yolov4：此汽车检测是使用Yolo V4开发的
02-08
开发该应用程序是为了从高速公路上的摄像头捕获的视频中检测汽车 使用Yolo V4的应用程序结果 该项目包含一个用于对车辆和汽车检测以及其他物体检测进行计数的计数器。 暗网 Darknet是一个用C和CUDA编写的开源神经网络框架。 它快速，易于安装，并支持CPU和GPU计算。 Yolo V4 您只需看一次（YOLO），即可快速，准确地完成一个阶段的目标检测器系列。 缩放后的YOLOv4： 论文： : 源代码-Darknet： : 中等： ： YOLOv4： 论文： : 源代码： : Wiki： ： 有关更多信息，请访问。 应该创建类似下图的类似结构，可以使用上面指示的链接克隆darknet存储库。 Yolo V4重量在以下链接中可用： 它们应在python笔记本内的路径中指示。 如有任何疑问，请与我联系：edson.costa@hotmail.com
CNN第三周 Car detection with YOLO
PigWord的博客
08-05 686
第三周 Problem Statement 对于汽车检测系统来说，我们得到一些数据可以对这些数据做出的处理就是如下图： 如果想要识别m个分类，可以把分类标签c从1标记到m，或者把它变为m维的向量，后面使用预先训练好的权重来进行使用。 YOLO YOLO是目前比较流行的算法，在预测时只需要进行一次前向传播，在使用NMS后，与边界框一起输出识别对象 Model Details 需要注意： The input is a batch of images, and each image has the shape
项目总结三：目标检测项目（Car detection with YOLOv2）
weixin_34348111的博客
03-26 520
1、 the YOLO model （YOLO ，you only look once） （1）We will use 5 anchor boxes. So you can think of the YOLO architecture as the following: IMAGE (m, 608, 608, 3) -> DEEP CNN -> ENCODING (m, 19, 19...
car-detection-yolo:自动驾驶-使用功能强大的YOLO模型进行汽车检测
04-30
YOLO YOLO（“您只看一次”）是一种流行的算法，因为它不仅具有很高的准确性，而且还可以实时运行，几乎每秒可以记录45帧。 较小的网络Fast YOLO每秒可处理惊人的155帧，而mAP仍是其他实时检测器的两倍。 从仅需要一次正向传播通过网络进行预测这一意义上讲，该算法“仅看一次图像”。 在非最大抑制之后，它将与边界框一起输出识别的对象。 通用YOLO模型 YOLO模型在汽车检测中 输入的是一批形状为（m，608，608，3）的图像 输出是边界框以及已识别类的列表。 (p_c, b_x, b_y, b_h, b_w, c)每个边界框由6个数字(p_c, b_x, b_y, b_h, b_w, c)表示。 如果将c扩展为80维向量，则每个边界框将由85个数字表示。 如果使用5个锚定框，则YOLO架构为：IMAGE（m，608，608，3）-> DEEP CNN-> ENCODING
机器学习：YOLO for Object Detection (二)
Matrix-11
01-19 773
之前介绍了 YOLO-v1 单纯的利用一个卷积网络完成了目标检测，不过 YOLO-v1 虽然速度很快，但是比起其他的网络比如 Fast R-CNN 检测的准确率还是差不少，所以作者又提出了改良版的 YOLO-v2, 作者也明确说了，YOLO-v2 也是借鉴了其他网络的一些经验，针对 YOLO-v1 进行了改良。从论文来看，作者都没有给出新的网络结构图，大概网络的基本结构还是没有太多的变化，不过就是
目标检测YOLO实战应用案例100讲-交通场景中基于深度学习的目标检测和深度估计
qq_36130719的博客
12-09 392
伴随着经济的发展，人们的快捷出行、货物的高效率运输都对汽车运输要求越来越高；同时城市车辆保有量快速增长以及司机驾驶素养不高都导致堵车严重，交通事故频发。这不 仅导致了人们在交通出行上浪费大量宝贵的时间，还浪费了大量的能源，对环境造成巨大的 破坏。高效、安全和环保的汽车运输对经济发展、社会健康和环境保护等都具有重要意义。在信息时代下，智能驾驶技术的不断进步有望把人类从枯燥无聊的驾驶任务中彻底解放出来， 智能驾驶技术对提升交通运输效率，降低交通事故率，减少能源消耗等方面将发挥重要的作 用。
目标检测YOLO实战应用案例100讲-基于小样本的目标检测与跟踪模型研究
qq_36130719的博客
06-12 1717
小样本学习就是使用远小于深度学习所需要的数据样本，达到接近甚至超越大数据深度学习的效果，也即是小样本学习的本质就是学习的效果与数据比较的提升。小样本学习在元训练阶段，通过将训练集均分为多组形成不同的元任务，让模型能够学习独立于任务的泛化能力。那样在元测试阶段，即使面对的是全新的类别，模型通过少量的训练或者不需要再次训练，也能够快速准确的识别新类别。简而言之，在元训练阶段，从训练集中随机选择C×K个样本构成元任务，其中C为类别数，K为每类样本的数量。
car-detection:基于YOLOv2的车辆检测系统
03-11
汽车检测 基于对YOLOv2的迁移学习内置的神经网络模型 训练集来自于drive.ai 项目图文介绍及核心代码见 如无法打开，可参考以下文字介绍 以下对项目实现原理做一个简要介绍 这是我在coursera的深度学习课程上完成的一个项目的源代码，属于一个自动驾驶项目的一部分，用于检测道路上的车辆及其他障碍物 数据的采集是通过汽车初步摄像头拍摄，输入数据是多个维度为（608,608,3）的RGB格式图片 输出是一个四维向量（19,19,5,85）的向量，最后一维结构为（p，x，y，h，w，c1，c2……c80）： p表示图片上检测出目标物体的概率，取值（0,1） x，y表示物体中心点坐标（这里需要注意的是这个坐标表示的是每个网格内的坐标而不是整个图片的） h,w表示用于标记物体的方格的高度和宽度 c1-c80表示可以识别的80种物体类型的概率，取值在（0,1），可以检测的物体类型在coc
Car Object Detection汽车目标检测-数据集
03-18
YOLO（“您只看一次”）是一种流行的算法，因为它不仅具有很高的准确性，而且还可以实时运行，几乎每秒可以记录45帧。数据集包含所有视图中的汽车媒体。 sample_submission.csv train_solution_bounding_boxes (1).csv Car Object Detection_datasets..txt Car Object Detection_datasets..zip
Car-detection-demo.zip
06-21
车辆识别训练模型。这个都是全套的欢迎下载！！！！！！！！！！！
CarFace-Detection-Adaboost.zip
09-13
基于opencv训练的cascade的车脸检测，带2个模型，vs2013下可以直接运行，对卡口车脸具有较好的识别效果，相应速度快。
yolo_detection
03-10
opencv版本的yolo算法，已经将编译好的opencv_contrib库动态添加至工程！
[自动驾驶]CarND-Vehicle-Detection
ACM 【程式=演算法+資料結構】@蜡笔小轩V
10-21 3423
听到Vehicle-Detection，我还以为是YOLO，SSD啥的，结果课程里用的是传统的HOG。Excuse me？就是各种论文里被用来踩一脚的SIFT、HOG？那也好吧，深刻体会体会传统方法有多弱鸡。HOGHOG之前简单了解过，不要既然要动手干活，还是得了解一些具体的计算细节。
车辆检测 car detect 深度学习算法 自建数据集训练模型
u011473714的专栏
06-03 1162
学习目标： ​ 1.在汽车检测数据集上应用目标检测 ​ 2.处理边界框 运行以下单元下载有有助于实现车辆检测的包和依赖项。
2020-12-03 ParkingProject car detection note
qq_42321822的博客
12-03 127
记录一下在windows上anaconda安装labelimg的几个问题 第一参考文献 https://blog.csdn.net/u013066730/article/details/110201073 安装完labelimg以后不能直接使用labelimg命令打开labelimg 第一次报错，提示缺少pyqt4，安装之（如果anacond里是py2装pyqt4，如果是py3装pyqt5，我的是前者） 这里又额外报了pip版本问题 pip版本问题解决后按照知乎建议命令安装pyqt （.
车辆检测“Integrating Context and Occlusion for Car Detection by Hierarchical And-Or Model”
cv_family_z的博客
11-18 2463
sczhu课题组的文章： http://www.stat.ucla.edu/~boli/projects/context_occlusion/context_occlusion.html主要思路 And-Or模型结合上下文及遮挡信息用于车辆检测，And-Or模型在三个层次上描述car-to-car上下文及遮挡信息，（1）N个car之间的空间布局，（2）单个car不同的遮挡结构，（3）part。
anchor设置 yolo_目标检测——YOLO-v2！
06-10
在YOLO-v2目标检测算法中，Anchor是指一组预设的边界框，这些边界框的大小和比例是在训练集中通过聚类得到的。YOLO-v2使用KMeans聚类算法来得到预设的Anchor。具体步骤如下： 1. 从训练集中选取一部分样本作为聚类...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值