yolo和paddle模型常见输出参数解惑

根据不同输出参数编写后处理,否则会报错

第一种

  • Concatoutput_dim_0 :变量,表示预测目标的数量,
  • 7:表示每个目标的七个参数:batch_id,x0,y0,x1,y1,cls_id,score

在这里插入图片描述

第二种

  • 85:每一行85个数值,5个center_x,center_y, width, height,score ,80个标签类别得分
  • 25200:三个尺度上的预测框总和 ( 80∗80∗3 + 40∗40∗3 + 20∗20∗3 ),每个网格三个预测框,后续需要非极大值抑制NMS处理
  • 1:没有批量预测推理,即每次输入推理一张图片

在这里插入图片描述

第三种

  • num_dets:表示其批次中每个图像中的目标数
  • det_boxes:表示 topk(100) 目标的坐标信息 [x0,y0,x1,y1] .
  • det_scores:表示每个 topk(100) 个对象的置信度分数
  • det_classes:表示每个 topk(100) 个对象的类别

在这里插入图片描述

第四种

在这里插入图片描述

第五种

在这里插入图片描述

第六种(paddlepaddle)

  • DynamicDimension :表示动态维度,一般是1
  • im_shape:图像经过resize后的大小,表示为H,W, DynamicDimension 表示batch维度
  • image:输入网络的图像,DynamicDimension 表示batch维度,如果输入图像大小为变长,则H,W为None
  • scale_factor:输入图像大小比真实图像大小,表示为scale_y, scale_x
  • multiclass_nms3_0.tmp_0:bbox, NMS的输出,形状为[N, 6], 其中N为预测框的个数,6为[class_id, score, x1, y1, x2, y2]
  • multiclass_nms3_0.tmp_2:bbox_num, 每张图片对应预测框的个数,例如batch_size为2,输出为[N1, N2], 表示第一张图包含N1个预测框,第二张图包含N2个预测框,并且预测框的总个数和NMS输出的第一维N相同
    在这里插入图片描述

yolo资料

在这里插入图片描述

  • 1
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

深度物联网

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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