- 博客(6)
- 收藏
- 关注
RSS订阅原创 YOLOv8_obb——旋转目标检测无敌大还丹（DOTA数据集）
最新！YOLOv8obb食用指南，遥感目标检测旋转框训练、测试、推理手把手教学
2024-02-29 00:54:15
3519
10
原创 MMrotate使用——个人纪录
③最后，修改训练使用的数据集路径：找到并打开 mmrotate-main/configs/base/datasets/dotav1.py 文件，修改其中的 data_root 路径为自己裁剪的数据集路径，该路径包含了上述划分的train、test、val数据集 （同第1点）总结：修改json文件中路径参数，使用命令时只需修改 - -base_json参数为对应的配置文件即可。在模型文件中实现了：训练相关参数的配置，数据集信息的配置，以及网络架构的搭建；3.更改数据集基础路径及训练、验证和测试路径。
2023-11-22 15:04:39
438
3
原创 目标检测入门-YOLOv3
c：置信度，可以理解为anchor中有物体的概率 而80是条件类别概率 可以理解为anchor中存在物体后各个类别可能的概率，因此在判断预测框类别的时候需要用c乘条件类别概率。既发挥了深层网络的语义抽象的特征，也充分浅层网络的细腻度的像素级别的边缘转角和结构信息的底层特征，因此实现多尺度特征融合和不同尺度物体预测。代码不过多记忆，v1~v3相对都比较老了仅用于学习其思想和优缺点，方便学习后续的v5 v7 v8，后续较新的版本代码做的更好再学习。正样本：与ground truth的交并比iou最大的预测框。
2023-09-21 01:29:02
40
原创 目标检测入门-YOLO
鉴于YOLOv1的缺点：①定位差（因为grid cell生成的bounding box数量太少）②检测小目标和密集目标能力差（因为只能检测出grid cell数量的类别）因此引入了yolov2 《YOLO9000: Better, Faster, Stronger》
2023-09-20 01:22:23
49
1
原创 目标检测入门——YOLO系列
在YOLOv1中把固定大小的输入图像划分为7*7个grid cell，每个grid cell预测2个bounding box，每个bounding box的中心点落在grid cell里面，bounding box由（x,y,h,w,c）表示，其中c表示置信度即下图中框的粗细程度。而每个grid cell 预测一组条件类别的概率。标注好的图像中真实框中心点落在哪个grid cell中就应该由哪个grid cell预测出的bounding box去拟合（grid cell预测出的有两，选IOU大的去拟合）
2023-09-18 17:19:38
156
原创 目标检测-入门理解
问题2：每个候选框都需要一次提取特征，也浪费大量时间，因此后续提出了faster rcnn，通过原图一次得到特征图，所有候选框共享这一次feature map 大大提升速度。原图利用selective search得到候选框，将候选框调整到同一尺寸，再将每一个候选框依次放入卷积网络提取特征，再分类和回归。问题1：将候选框拉伸成同一尺寸会导致内容变化，所以引入了预设尺寸大小等方法。
2023-09-14 13:52:22
46
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人