目标检测原理&代码实现（pytorch+yolov3）

已于 2022-07-08 15:54:16 修改
阅读量1.1w 收藏 77
点赞数 15
分类专栏： 深度学习 文章标签： pytorch 目标检测 python
于 2022-03-09 15:16:40 首次发布
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/m0_46204224/article/details/123262715
版权

目录


说明：最近学习目标检测相关知识并进行简单记录，推荐先学习原理部分，再入手代码，每部分都附上学习视频。

一、目标检测 VS 图像分类 VS 图像分割

理论学习：视频推荐
图像分类只需要将图片分类别即可，目标检测，先定位再分类
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
目标定位/检测：大体定位出框子
语义分割：相同语义的为一类颜色，图中紫色，像素级别
实例分割：每个物体精确分割好，再细分1，2

二、目标检测

1、目标检测基础理论

流程：
two stage：
先选择候选框，对框中像素进行特征提取（浅层的：颜色，hog直方图），对框子进行分类判决svw，通过非极大值致抑制的方法进行分类框合并。
one stage：下面蓝色部分，直接预测输出（4个位置+1个置信度+c维的分类情况），而不用上面的那种分别进行pooling抠图，再分类回归的过程。
请添加图片描述

请添加图片描述
请添加图片描述
在这里插入图片描述
请添加图片描述
请添加图片描述

2、基于深度学习的目标检测

在这里插入图片描述

Two-stage流程

请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述

One-stage流程

在嵌入式使用中，倾向于使用one-stage速度快
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
在这里插入图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述

3、人脸业务场景

请添加图片描述
请添加图片描述
请添加图片描述

三、代码实践

锚点、先验框是事先超参设置好的，然后根据训练结果进行两者的微调。
参考1：目标检测先验框和模型原理
参考2：anchor锚点
参考3：代码部署视频，此博主代码已实验过，可以正常运行
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
请添加图片描述

Mr DaYang
关注
  • 15
    点赞
  • 踩
  • 77
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
目标检测代码
12-02
用于目标检测的代码，可以直接运行，经过调试训练好的，可用于直接测试
YOLO v3目标检测算法的PyTorch实现（压缩包中包含240MB的预训练网络文件）
03-23
本资源为YOLO v3目标检测算法的PyTorch实现（出处：https://github.com/ayooshkathuria/pytorch-yolo-v3），本压缩包中包含了240MB的预训练网络文件，方便难以访问国外服务器的同学下载。
深度学习-最简代码实现目标检测模型
汤青松博客
02-03 859
在深度学习领域中，目标检测一直是一个备受关注的研究方向。为了更深入地理解深度学习目标检测的原理和实现，我写了一个简单的单目标检测项目。在这个项目中， 我用最简单的方式实现了数据迭代器、网络模型、预测脚本和训练模型脚本，以及一些辅助脚本，通过这个过程提高对目标检测的认识和实践能力。
yolov8 目标检测、分割、姿势估计、跟踪任务(Python代码)
qq_45950599的博客
09-10 2606
yolov8目标检测、追踪、分割、姿势估计
YOLOv8目标检测代码如何实现训练、测试、指标评估、调用摄像头实时检测和目标追踪的接口调用脚本
一个兴趣使然CVer的博客
07-31 1万+
YOLOv8是单阶段目标检测的集大成之作，它可以帮助我们在图像或视频中自动识别和定位感兴趣的目标物体。本文将介绍如何调用YOLOv8的API实现训练、测试和调用摄像头进行实时检测和追踪。
CVPR2023 | 70+目标检测论文及代码整理
04-28 1万+
CVPR2023目标检测相关70+论文及代码整理
基于YOLOv4的目标检测系统（附MATLAB代码+GUI实现）
思绪无限的博客
05-04 1万+
本文介绍了一种MATLAB实现的目标检测系统代码，采用 YOLOv4 检测网络作为核心模型，用于训练和检测各种任务下的目标，并在GUI界面中对各种目标检测结果可视化。文章详细介绍了YOLOv4的实现过程，包括算法原理、MATLAB 实现代码、训练数据集、训练过程和图形用户界面。在GUI界面中，用户可以选择各种图片、视频、摄像头进行检测识别，可更换检测模型。本文提供了完整的 MATLAB 代码和使用教程，适合新入门的朋友参考。完整代码资源文件请参见文末的下载链接。
【目标检测】YOLOv3手动实现Pytorch代码全流程详解 RCNN、YOLO系列
不佛的博客
11-09 5505
目标检测概述 之前的MTCNN实现了单类多目标的高效检测，而现实中更普遍的任务是多类多目标检测。 目标检测可划分为3个发展阶段： 传统的目标检测 区域选择：滑动窗口 特征提取：Harr、SIFT、HOG等特征提取算法 分类器：如常用的SVM模型 基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余； 手工设计特征费时费力，且对于多样性的变化没有很好的鲁棒性。 基于Region Proposal的深度学习目标检测算法 使用 region proposal+CNN 代替传统目标检测使用的 滑动窗口+手
太逆天了，10行Python代码实现目标检测！！
weixin_43373042的博客
03-13 2021
来源丨大数据文摘编译丨邢畅、宁静计算机视觉是人工智能的一个重要领域，是关于计算机和软件系统的科学，可以对图像和场景进行识别、理解。计算机视觉还包括图像识别、目标检测、图像生成、图像超分辨率重建等多个领域。由于存在大量的实际需求，目标检测可能是计算机视觉中最有意义的领域。目标检测是指计算机和软件系统对图像或场景中的目标进行定位和识别的任务。目标检测已广泛应用于人脸检测、车辆检测、人流量统计、网络图像...
高分毕业设计 基于Pytorch+YOLOV4算法的视频多目标跟踪系统源码+部署教程+全部数据资料.zip
最新发布
04-20
高分毕业设计 基于Pytorch+YOLOV4算法的视频多目标跟踪系统源码+部署教程+全部数据资料.zip高分毕业设计 基于Pytorch+YOLOV4算法的视频多目标跟踪系统源码+部署教程+全部数据资料.zip高分毕业设计 基于Pytorch+YOLOV...
实时动作检测-基于Pytorch+YOLOv5+SlowFast实现的视频流实时动作检测算法-支持多目标的跟踪检测-优质项目实战
04-07
实时动作检测_基于Pytorch+YOLOv5+SlowFast实现的视频流实时动作检测算法_支持多目标的跟踪检测_优质项目实战
YOLOv3 pytorch版源代码
06-25
YOLOv3-pytorch版源代码
deep_sort+YOLOv3 车辆/行人（目标）检测追踪
06-07
包含训练好的权重（人+车）+源码+行人检测追踪原视频+车辆检测追踪原视频。 基于Python+Pytorch+DeepSort
基于pytorch深度学习框架+yolov4实现模板检测+yolov5实现车牌检测+LPRNet实现车牌检测算法源码.zip
01-17
1、该资源内项目代码经过严格调试，下载即用确保可以运行！ 2、该资源适合计算机相关专业(如计科、人工智能、大数据...基于pytorch深度学习框架+yolov4实现模板检测+yolov5实现车牌检测+LPRNet实现车牌检测算法源码.zip
一张手绘图带你搞懂空间注意力、通道注意力、local注意力及生成过程（附代码注释）
热门推荐
Mr_DaYang的博客
09-23 1万+
soft attention（包括空间注意力、通道注意力）它们是pixel级 hard attention( local 注意力)它们是region级 下面讲解空间注意力、通道注意力、local 注意力的生成 本人知识水平有限，要是错误的话，欢迎指正，感谢！ 碰巧，如果你看到了这篇文章，并且觉得有用的话 那就给个三连吧! ...
pytorch实现特征图可视化，代码简洁，包教包会
Mr_DaYang的博客
08-02 1万+
是不是要这样的效果 技术要点 1.选择一层网络，将图片的tensor放进去 2.将网络的输出plt.imshow 代码可直接复制使用，需要改的就是你的图片位置 import torch from torchvision import models, transforms from PIL import Image import matplotlib.pyplot as plt import numpy as np import scipy.misc plt.rcParams['font.sans-ser
pytorch实现Cosine learning rate& warmup step decay(代码&plot图都已注释，方便调试拷贝)
Mr_DaYang的博客
11-17 1万+
Cosine learning rate decay 学习率不断衰减是一个提高精度的好方法。其中有step decay和cosine decay等，前者是随着epoch增大学习率不断减去一个小的数，后者是让学习率随着训练过程曲线下降。 对于cosine decay，假设总共有T个batch（不考虑warmup阶段），在第t个batch时，学习率η_t为 注意： 图中的lr是lambda1*lr_rate的结果 便于工程上的运用，起始学习率=0.00035，尾端防止学习率为0，当lr小于0.00035时，
yolov3代码详解pytorch
07-27
YOLOv3是一种目标检测算法，它在PyTorch框架下实现。你可以在GitHub上找到YOLOv3的PyTorch版本代码，地址是https://github.com/ultralytics/yolov3。这个代码库提供了一些教程和运行结果，但不一定能直接运行成功。你可以在同目录下新建一个.ipynb文件，并在其中运行代码"%run detect.py"来尝试运行。\[1\] 在代码解读方面，首先需要准备数据集和关键文件。然后，代码的大致流程包括数据与标签的读取、模型构造、前向传播和计算损失。具体来说，模型构造部分包括构建convolutional层、rout层和shortcut层，以及构建yolo层。\[2\] 如果你想深入了解YOLOv3的PyTorch版本代码，可以参考官方教程，地址是https://github.com/ultralytics/yolov3/wiki/Train-Custom-Data。这个教程提供了更详细的训练自定义数据集的指导。\[3\] #### 引用[.reference_title] - *1* *3* [YOLOv3 Pytorch代码及原理分析（一）：跑通代码](https://blog.csdn.net/weixin_43605641/article/details/107524168)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* [YOLOV3 Pytorch版本代码解读](https://blog.csdn.net/Weary_PJ/article/details/128749270)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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