YOLOV3实现目标检测--基于华为AI Gallery初始学习（未学完版本）

最新推荐文章于 2022-09-01 20:41:07 发布

swl.乌鸦

最新推荐文章于 2022-09-01 20:41:07 发布

阅读量795

点赞数

分类专栏：深度学习文章标签：学习

本文链接：https://blog.csdn.net/lwsc_/article/details/126427460

版权

深度学习专栏收录该内容

9 篇文章 0 订阅

订阅专栏

前言

作为初始深度学习领域的小白,仅仅接触过图像分类，所以目标检测我会详细做笔记并记录不理解的地方，有错误理解请指正。本实践案例参考AI Gallery-开发者-华为云编程知识中的实践案例进行学习总结。

案例实践

简单了解何为目标检测

相比于图像分类问题，目标检测多了一项确定物体位置信息的任务，即结合了目标分类和定位两个任务。

初始YOLOV3

YOLOV3是YOLO网络系列中一个网络结构，因此算法的思路是单阶段方法（one stage）,它将检测任务表述成一个统一的、端到端的回归问题，并且只处理一次图片就能同时得到位置和分类。

YOLOV3的特点

YOLOv3相比YOLOv2最大的改进点在于借鉴了SSD的多尺度判别，即在不同大小的特征图上进行预测。对于网络前几层的大尺寸特征图，可以有效地检测出小目标，对于网络最后的小尺寸特征图可以有效地检测出大目标。此外，YOLOv3的backbone选择了DarkNet53网络，网络结构更深，特征提取能力更强了。

理解：

何为单阶段（one stage):和图像分类步骤类似，先进行特征提取，再进行分类/定位回归；然而，有one必有two, two stage的步骤呢，为特征提取--->生成预选框（简称RP，一个有可能包含待检物体的预选框）--->分类/定位回归。
何为多尺度判别：在目标检测任务中，比如在一张图片中，要判别的目标不止一个，多个目标的大小（相对比例或者实际绝对大小）尺度有大有小，但不论大小，都要将其识别出来。（参考：http://t.csdn.cn/0hLaE）

YOLOV3的图示结构

【YOLOV3结构的几点注意】

由于网络结构较深，才有残差结构
DarkNet53网络用步长为2的卷积代替了池化层
所有的网络层不包含全连接层，因此，输入图像的大小也是可以调整的（有些地方看到的可能是608x608，其实是一样的，而输入图像的大小同样是最小的输出特征图的32倍
YOLOv3分别在三个尺寸的特征图进行了预测，每个尺寸的特征图使用了3个锚点。因此，输出层的维度计算方法为：(4+1+80)x3=255，因此，最后一层1x1的卷积层的数量为255
13 x 13的特征图会通过上采样层和之前的26 x 26的特征图在通道维度拼接在一起，26 x 26的特征图再经过上采样和52 x 52的特征图拼接。

对于第3、4点有点不太理解，存疑此处？未来解决理解。。。如有大佬看到，还请能解答。

关于目标检测中的锚点和锚框理解参考http://t.csdn.cn/qBNyK、http://t.csdn.cn/NDK7k

理解：

何为锚点、锚框：按我的理解，就是在图像中生成几个点，这几个点是按照一定的设计规则分布的，然后围绕这些点（作为中心点）生成几个框，框的大小尺度也是有一定设计规则，但要保证能覆盖整个识别区域。而表现在代码中，锚点就成了矩阵、锚框根据每个矩阵中设置的数值偏移量形成框：

[[ -84.  -40.  99.  55.]
 [-176.  -88. 191. 103.]
 [-360. -184. 375. 199.]
 [ -56.  -56.  71.  71.]
 [-120. -120. 135. 135.]
 [-248. -248. 263. 263.]
 [ -36.  -80.  51.  95.]
 [ -80. -168.  95. 183.]
 [-168. -344. 183. 359.]]

有一句话也许有利于理解：根据Anchor的生成过程和深度学习没有任何的关系，他的本质只是你设定好一些规则，并依据这些规则，在图像中生成不同尺寸，不同长宽比的框，并希望这些框能够最终覆盖你的物体。

【注】这个结构得好好研究分析。。。。

实践步骤

实践前创建存放实现代码功能代码脚本的文件夹

#创建文件夹，存放即将写的各功能的代码脚本
import os

code_dir = "./code/src"
if not os.path.exists(code_dir):
    os.makedirs(code_dir)

准备数据集

#准备数据集
import os
import moxing as mox  //华为云Modelart平台的一个进行模型训练API

if not os.path.exists("./data"):
    mox.file.copy_parallel(src_url = "obs://modelarts-labs-bj4/course/hwc_edu/python_module_framework/datasets/mindspore_data/yolov3/data/", dst_url = "./data")

mox可以参考MoXing Framework简介_AI开发平台ModelArts_MoXing开发指南_华为云