目标检测网络
文章平均质量分 97
目标检测网络
libo-coder
DeepLearning / Computer Vision / OCR
展开
-
『目标检测』YOLO V5(2):代码解析
系列文章目录YOLO V5(1):学习笔记YOLO V5 代码解析系列文章目录一、网络结构图二、不同网络的深度三、不同网络的宽度四、yolov5s.yaml4.1 yaml 介绍4.2 parameters4.3 anchors4.4 backbone4.5 head五、common.py5.1 卷积层5.1.1 深度分离卷积层5.1.2 标准卷积层5.2 标准 Bottleneck5.3 BottleneckCSP5.4 SPP5.5 Flatten5.6 Focus5.7 Concat六、...原创 2021-01-04 16:02:17 · 1916 阅读 · 11 评论 -
『目标检测』RCNN
一、RCNN1. R-CNNRCNN 算法结构是两级网络,首先需要诸如 选择性搜索 之类的算法来提出可能包含对象的候选边界框;然后将这些区域传递到 CNN 算法进行分类;存在的问题:仿真速度很慢,并且不是完整的端到端的目标检测器。FPS: 1秒内识别的图像数(帧数)2. fast R-CNN对原始 R-CNN 进行改进,即提高准确率并减少正向传递所花费的时间,但是该模型仍然是依赖于 外部区域搜索 算法。3. faster R-CNN删除了选择性搜索的要求,成为了真正的端原创 2020-12-11 14:04:58 · 97 阅读 · 0 评论 -
『目标检测』YOLO V5(3):使用教程
一、安装环境依赖1.1 克隆项目git clone https://github.com/ultralytics/yolov5 # clone repo1.2 安装必要的环境依赖官方给出的要求是:python>=3.7、PyTorch>=1.5,安装依赖:cd yolov5pip install -U -r requirements.txtrequirements.txt二、下载预训练模型2.1 执行脚本下载预训练模型/yolov5/weights/download_we原创 2020-12-14 10:44:01 · 3926 阅读 · 5 评论 -
『目标检测』YOLO V2
一、联合训练算法这种算法可以把这两种的数据集混合到一起。使用一种分层的观点对物体进行分类,用巨量的分类数据集数据来扩充检测数据集,从而把两种不同的数据集混合起来。联合训练算法的基本思路:同时在检测数据集和分类数据集上训练物体检测器(Object Detectors),用检测数据集的数据学习物体的准确位置,用分类数据集的数据来增加分类的类别量、提升鲁棒性。二、YOLO V2的架构1. backbone网络抛弃了全连接,采用全卷积 FCN 的架构,因此可以输入任意大小的图片。在每个卷积层之原创 2020-12-12 10:53:20 · 316 阅读 · 0 评论 -
『目标检测』YOLO V3
一、YOLO 网络结构说明网络结构主要由三个主要组件组成:1. Backbone在不同图像细粒度上聚合并形成图像特征的卷积神经网络2. Neck一系列混合和组合图像特征的网络层,并将图像特征传递到预测层3. Head对图像特征进行预测,生成边界框并预测类别二、YOLO V3 简介yolov3 的先验检测(Prior detection)系统将分类器或定位器重新用于执行检测任务。将模型应用于图像的多个位置和尺度。而那些评分较高的区域就可以视为检测结果。此外,相对于其它目标检测方法原创 2020-12-12 10:53:53 · 1376 阅读 · 0 评论 -
『目标检测』YOLO V4
一、数据增强对于单一图片,除了经典的 几何畸变 和 光照畸变 外,还创新地使用了图像遮挡(Random Erase, Cutout, Hide and Seek, Grid Mask, MixUp)技术;对于多图组合,作者混合使用了 CutMix 与 Mosaic 技术。除此之外,还使用了 Self-Adversarial Training(SAT) 来进行数据增强。1. 图像遮挡Random Erase用随机值或训练集的平均像素值替换图像的区域。Cutout仅对 CNN 第一层的输入进原创 2020-12-12 10:54:38 · 407 阅读 · 1 评论 -
『目标检测』YOLO V5(1):学习笔记
一、基本知识点积累1. 自适应锚点框在 yolov3 中是采用 k 均值和遗传算法对自定义数据集进行分析,获得合适自定义数据集中对象边界框预测的预设锚点框。在 yolov5 中锚点框是基于训练数据自动学习的。(Auto Learning Bounding Box Anchors)2. 激活函数在 yolov5 中,中间 / 隐藏层使用了 Leaky ReLU 激活函数,最后的检测层使用了 Sigmoid 激活函数;3. 优化器在 yolov5 中提供了两个优化函数 Adam 和 SGD,并预原创 2020-12-09 17:07:38 · 3030 阅读 · 0 评论 -
『目标检测』Faster RCNN
一、Faster RCNN 做目标检测的关键步骤基础网络做特征提取;特征传 RPN 网络做候选框提取;分类层对候选框内的物体进行分类,回归层对候选框内的 (x, y, w, h) 进行精细调整。二、Faster RCNN 网络结构Conv layers。作为一种 CNN 网络目标检测方法,Faster RCNN 首先使用一组基础的 conv+relu+pooling 层提取 image 的 feature maps。该 feature maps 被共享用于后续 RPN 层和全连接层。原创 2020-12-11 14:11:48 · 130 阅读 · 0 评论