m0_37799466的博客

float validate_detector_map(char *datacfg, char *cfgfile, char *weightfile, float thresh_calc_avg_iou, const float iou_thresh, const int map_points, int letter_box, network *existing_net){ //读取设置的参数和数据 int j; list *options = read_data_cfg(datacfg

1、资源获取（1）源码下载；从GitHub上下载openpose源码；（2） cuda和cudnn安装，这里不再赘述，我安装的版本分别为cuda10.1，cudnn7.6.3；（3）安装cmake-gui,ubuntu下安装东西十分方便，一句代码搞定# 安装cmake-guisudo apt-get install cmake-qt-gui （4） 下载cmake编译所需文件和模型，因为使用cmake编译openpose源码时会下载编译所需文件，但是下载速度很慢，而且在下载模型时会出现下载失败

1、环境配置下载官方代码，选择Windows分支的版本查看其README.md文件，其中对环境的要求都已说明，且可以配置多个版本；Visual Studio 2015, CPU only, Python 3.5: Caffe Release, Caffe DebugVisual Studio 2015, CUDA 8.0, Python 3.5: Caffe ReleaseVisual Studio 2015, CPU only, Python 2.7: Caffe Release, Caff

OpenPose: Realtime Multi-Person 2D Pose Estimation using Part Affinity FieldsOpenPose：使用部件亲和场的实时多人二维姿态评估算法论文原文地址：https://arxiv.org/pdf/1812.08008.pdf本论文代码网址：https://github.com/CMU-Perceptual-Computing-Lab/openpose摘要： 实时多人2D姿态估计是使机器能够了解图像和视频中人物的关键组件。在这项

1、资源获取（1）源码下载；从GitHub上下载openpose源码；（2） cmake、cuda和VS安装，这里不再赘述，我安装的版本分别为cmake3.12.2，cuda10.0，VS2015；（3） 下载cmake编译所需文件和模型，因为使用cmake编译openpose源码时会下载编译所需文件，但是下载速度很慢，而且在下载模型时会出现下载失败，从而导致无法编译成功；所以我们需要提前下载好，然后解压到相应的文件夹内；1） 首先是下载openpose-master\3rdparty\window

mAP计算过程

1、支持的框架support for：ONNX (.onnx, .pb, .pbtxt),Keras (.h5, .keras),CoreML (.mlmodel),Caffe2 (predict_net.pb, predict_net.pbtxt),MXNet (.model, -symbol.json)TensorFlow Lite (.tflite).experimental support for ：Caffe (.caffemodel, .prototxt),PyTorch (

1、平面上三者关系（1）众所周知三角形有3个顶点、3个边和1个区域面，四边形有4个顶点、4个边和1个区域面；那么继续推理五边形、六边形以及其他多边形呢？首先完成下表显然通过对于四边形、五边形和六边形的了解很容易得出来结果，结果如下所示：（2）从上表不难发现对于上面四种平面中三者的关系，即顶点数 + 区域数 - 边数 = 1那么如何推断出多边形中他们的关系呢？首先想想对三角形进行切割会对三者有什么影响从上图可以看出三角形割去一个角变成了四边形，其顶点增加了1个，边数增加了1条，区域面不变，则

1、name_scope命名域（1）通过tf.name_scope()来实现，使用tf.Variable()创建变量时会自动加上词头；只要使用该函数，一律创建新的variable，如果出现重名，变量名后面会自动加上后缀1，2….；（2）tf.get_variable()：如果变量存在，则使用以前创建的变量，如果不存在，则新创建一个变量。使用tf.get_variable()创建的变量没有词头；import tensorflow as tfwith tf.name_scope('cltdevelop

代码地址训练代码train.pyfrom __future__ import absolute_importfrom __future__ import divisionfrom __future__ import print_functionimport siximport tensorflow as tf#import tensorflow.compat.v1 as tffrom tensorflow.contrib import quantize as contrib_quantize

多个机器和GPU上部署Slim模型1.设置DeploymentConfigDeploymentConfig参数： * num_clones：每个机器中要部署的模型网络的数量。 * clone_on_cpu：如果将模型放置在CPU上，则为true。 * copy_id：整数。 为其部署模型的机器的索引。 主要机器通常为0。 * num_replicas：要使用的机器数。 * num_ps_tasks：“ ps”作业的任务数。 0不使用副本。 * worker_job_n

void test_detector(char *datacfg, char *cfgfile, char *weightfile, char *filename, float thresh, float hier_thresh, char *outfile, int fullscreen){ //从datacfg文件中读取类别名称 list *options = read_data_cfg(datacfg); char *name_list = option_find_str(opti

l = parse_yolo(options, params);layer parse_yolo(list *options, size_params params){ int classes = option_find_int(options, "classes", 20); int total = option_find_int(options, "num", 1); int num = total; char *a = option_find_str(option

l = parse_upsample(options, params, net);layer parse_upsample(list *options, size_params params, network *net){ int stride = option_find_int(options, "stride",2); layer l = make_upsample_layer(params.batch, params.w, params.h, params.c, stride);

l = parse_shortcut(options, params, net)layer parse_shortcut(list *options, size_params params, network *net){ char *l = option_find(options, "from"); //获取需要shortcut层的索引 int index = atoi(l); if(index < 0) index = params.index + index;

YOLOv3: An Incremental Improvement论文地址；代码地址摘要作者对YOLO进行了进一步的更新，做了一些小设计更改让其表现更好。YOLOv3比YOLOv2相较大了一些，但是检测更加准确，而且检测速度依然很快。320×320 YOLOv3模型能在28.2mAP的精度下运行速度达到了22ms，和SSD的准确度相同但是速度快了3倍。在使用之前的0.5 IOU mAP 检测指标时，YOLOv3表现相当棒。 在Titan X上，它在51毫秒内可达到57.9 AP50，而RetinaN

l = parse_reorg(options, params);layer parse_reorg(list *options, size_params params){ //设置参数 int stride = option_find_int(options, "stride",1); int reverse = option_find_int_quiet(options, "reverse",0); int flatten = option_find_int_quiet(o

route_layer parse_route(list *options, size_params params, network *net){ char *l = option_find(options, "layers");//获取需要加载的层数，是相对于此层的层数例如 -1就是上一层 int len = strlen(l);//加载几层 if(!l) error("Route Layer must specify input layers"); int n =

YOLO9000:Better, Faster, Stronger论文地址；代码地址摘要：

1、首先就是从darknet.c中的主函数开始运行，darkne.c中含有多种功能函数，包括了目标检测、语义分割等函数，这里主要讲YOLOv1相关代码，也就是目标检测代码，如下所示：//通过接收外界参数来选择使用哪种功能函数int main(int argc, char **argv){ //test_resize("data/bad.jpg"); //test_box();...