yolo_v2入门实现目标检测

最新推荐文章于 2024-07-19 13:44:40 发布
最新推荐文章于 2024-07-19 13:44:40 发布
阅读量1.7k 收藏 3
点赞数
分类专栏： python与人工睿智 机器学习入门与放弃
≧◔◡◔≦ 如觉得有所帮助，请点个✌赞或关注✌。转载请注明出处。 ≧◔◡◔≦
本文链接：https://blog.csdn.net/nima1994/article/details/80199766
版权

python开发环境，安装了tensorflow-gpu和keras和其他常用机器学习库。该过程使用yolo_v2进行测试。

获取YAD2K源码

yolo有专有的深度学习网络darknet，YAD2K是python使用yolo_v2网络的一种接口方法。
克隆或下载https://github.com/allanzelener/YAD2K源码。

获取模型、权重文件

在https://pjreddie.com/darknet/yolo/下载对应的cfg文件和weights文件。如下图（后两个是链接）：
这里写图片描述

模型转换

在YAD2K源码文件夹中执行如下命令：

python .\yad2k.py .\my_config\yolov2.cfg .\my_config\yolov2.weights .\model_data\yolo.h5

其中my_config为步骤2的两个文件所在文件夹。该操作将 Darknet YOLO_v2 model转换为了Keras model，在model_data文件夹生成了两个文件：
这里写图片描述

执行测试

python .\test_yolo.py .\model_data\yolo.h5

该操作使用images文件夹中的图片，生成图片到images/out文件夹。

这里写图片描述
这里写图片描述

该过程精简修正代码（不是我的哈哈，0.0）在GitHub上。

lsh呵呵
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
【目标检测-YOLO】YOLO_V2
博观约取，厚积薄发
02-20 1402
接上文 YOLOv2 改进在哪里？ BN 高分辨率分类器 引入 Anchor 对数据集进行 k-means 聚类得到Anchor 约束模型输出范围 底层细粒度特征 + 顶层特征 多尺度训练 BN 参考：批量归一化和层归一化_hymn1993的博客-CSDN博客_层归一化​​​​​​ 通常，将批量规范化层置于全连接层中的仿射变换和激活函数之间。 优点： 使深度网络容易训练（容易收敛） 改善梯度流（避免梯度消失和爆炸） 可以使用较大学习率，更快收敛 对网络初始化更加 稳健...
【目标检测-YOLO】YOLO v2总结
博观约取，厚积薄发
02-22 2524
​​​​​​​ yolov2 损失 yolov2 输出 13*13*5*(4+1+20) 张量（VOC数据集） 13*13 个 grid cell；每个 grid cell 有5个 预测框，每个预测框 有 4个坐标(x, y, w, h) + 1 个置信度(c) + 20 个条件类别概率。 对于每张图像，损失函数包含两部分： 遍历 每个grid cell， 假设 当前grid cell 的 5个 预测框 为 (b1, b2, b3, b4, b5)，5个 Anchor框 为 (A1,...
YOLOv2-Tensorflow:YOLOv2检测过程的Tensorflow实现
05-14
YOLOv2-Tensorflow 声明： 更详细的代码解读. 欢迎关注. 运行环境： Python3 + Tensorflow1.5 + OpenCV-python3.3.1 + Numpy1.13 windows和ubuntu环境都可以 准备工作： 请在下载模型，并放到yolo2_model文件夹下 文件说明： 1、model_darknet19.py：yolo2网络模型——darknet19 2、decode.py：解码darknet19网络得到的参数 3、utils.py：功能函数，包含：预处理输入图片、筛选边界框NMS、绘制筛选后的边界框 4、config.py：配置文件，包含anchor尺寸、coco数据集的80个classes类别名称 5、Main.py：YOLO_v2主函数，对应程序有三个步骤： （1）输入图片进入darknet19网络得到特征图，并进行解码得到：xmin
目标检测： YOLOv2
Chris_zhangrx的博客
02-27 359
《YOLO9000： Better, Faster,Stronger》 论文链接：https://arxiv.org/abs/1612.08242 项目地址：https://pjreddie.com/darknet/yolo/ 本文为 YOLO v2的提出，作者做了大量的实验，包括把当时比较流行的一些网络构建方法（BN层，average pooling，大量使用小卷积核等）都进行了尝试与结果对比，...
YOLO 模型基础入门及官方示例演示
最新发布
心若有所向往，何惧道阻且长。
07-19 2075
YOLO 模型基础入门及官方示例演示
目标检测之YOLO V2
qq_41917697的博客
03-29 242
目标检测之YOLO V2前言BetterFaster 前言 《YOLO9000:Better, Faster, Stronger》 论文地址：https://arxiv.org/abs/1612.08242. YOLO V2最多能识别9000种类别，但这里只介绍其在常用数据集上的方法和技巧。建议之前已经了解了YOLO V1。 Better Batch Normalization:使用BN得到2%的提升，还能起到一定正则化的效果，可以移除dropout。 High Resolution Classifie
目标检测之YOLOv2
thisiszdy的博客
04-24 545
一、目标检测之YOLOv2 YOLO9000:Better, Faster, Stronger 论文链接：https://arxiv.org/abs/1612.08242v1 论文翻译：https://blog.csdn.net/weixin_35654926/article/details/72473024 论文详解： 1、https://blog.csdn.net/l7H9JA4/artic...
【5】目标检测之YOLO v2
qq_16009377的博客
04-20 1646
这里写目录标题相较于YOLOv1的改进Batch Normalization 批标准化High Resolution Classifier 高分辨率的分类器Dimension Clusters 维度聚类Convolutional With Anchor Boxes 使用Anchor Box机制来预测Bounding BoxDirect Location Prediction 直接位置预测Fine-Grained Features 细粒度特征Multi-Scale Training 多尺度训练网络结构知识点P
目标检测之YOLO V2 V3
Brook_cv的博客
02-27 301
YOLO V2 YOLO V2是在YOLO的基础上，融合了其他一些网络结构的特性（比如：Faster R-CNN的Anchor,GooLeNet的1×11\times11×1卷积核等），进行的升级。其目的是弥补YOLO的两个缺陷： YOLO中的大量的定位错误 和基于区域推荐的目标检测算法相比，YOLO的召回率（Recall）较低。 YOLO V2的目标是：在保持YOLO分类精度的同时，提高目标...
YOLO v3目标检测
不务正业的程序媛的博客
07-27 2181
YOLO v3工作原理描述相关概念YOLO残差块（Residual Blocks）跳跃连接（skip connections）上采样（Upsampling）目标检测边界框回归(Bounding Box Regression)IoU非极大值抑制（Non-Maximum Suppression，NMS）工作原理全卷积神经网络解析输出锚框（Anchor Box）预测中心坐标边界框的维度目标分数类别置信度在不同尺度上进行预测输出处理目标置信度的阈值处理非最大值抑制执行过程数据集介绍执行结果 工作原理描述 相关概念
python目标检测入门基础知识_PyTorch目标检测学习小结
weixin_39747615的博客
12-17 291
一、环境搭建当前：Windows10 + Anaconda3.61.1 创建PyTorch的虚拟环境打开Anaconda中的Anaconda Prompt那个黑框框，输入：#注意这里pytorch是自己设置的虚拟环境名称，可以随意取conda create --name pytorch python=3.6之后输入y，创建pytorch虚拟环境。以下是一些常规命令：#进入到虚拟环境activate...
Yolo对象检测的TensorFlow实现
07-28
该PPT详细描述了Yolo对象检测的基本原理以及用TensorFlow实现的过程
Deeplearning.ai第四课作业3需要的yad2k文件
03-22
Deeplearning.ai第四课作业3需要的yad2k文件
car-detection:基于YOLOv2的车辆检测系统
03-11
汽车检测 基于对YOLOv2的迁移学习内置的神经网络模型 训练集来自于drive.ai 项目图文介绍及核心代码见 如无法打开，可参考以下文字介绍 以下对项目实现原理做一个简要介绍 这是我在coursera的深度学习课程上完成的一个项目的源代码，属于一个自动驾驶项目的一部分，用于检测道路上的车辆及其他障碍物 数据的采集是通过汽车初步摄像头拍摄，输入数据是多个维度为（608,608,3）的RGB格式图片 输出是一个四维向量（19,19,5,85）的向量，最后一维结构为（p，x，y，h，w，c1，c2……c80）： p表示图片上检测出目标物体的概率，取值（0,1） x，y表示物体中心点坐标（这里需要注意的是这个坐标表示的是每个网格内的坐标而不是整个图片的） h,w表示用于标记物体的方格的高度和宽度 c1-c80表示可以识别的80种物体类型的概率，取值在（0,1），可以检测的物体类型在coc
【YOLO系列】YOLOv5超详细解读（源码详解＋入门实践＋改进）
热门推荐
路人贾的博客
03-03 13万+
一文带你详细了解YOLOv5（含YOLO系列论文讲解+源码详解+入门实践+算法改进）
[Python图像识别] 四十五.目标检测入门普及和ImageAI“傻瓜式”对象检测案例详解 (1)
杨秀璋的专栏
08-03 1万+
该系列文章是讲解Python OpenCV图像处理知识，前期主要讲解图像入门、OpenCV基础用法，中期讲解图像处理的各种算法，包括图像锐化算子、图像增强技术、图像分割等，后期结合深度学习研究图像识别、图像分类应用。上一篇文章是图像处理的最后一篇文章，写到这里，第一阶段的44篇Python图像处理就介绍完毕。接下来我们进入Python图像识别第二阶段，该部分主要以目标检测、图像识别以及深度学习相关图像分类为主，将会分享近50篇文章，感谢您一如至往的支持。希望文章对您有所帮助，如果有不足之处，还请海涵~
目标检测（Object detection）—— YOLO v2总结
weixin_42075898的博客
10-02 797
YOLO v2基于YOLO，点击这里了解YOLO 1 概述 相比Faster RCNN，YOLO检测精度虽然没那么高，但是胜在速度快和可端到端进行训练。 然而，SSD的出现让YOLO非常尴尬，相比YOLO，SSD不仅速度快、可端到端进行训练，准确率还更高 因此YOLO的作者对YOLO做出了改进，一年以后提出了YOLO v2。 YOLO v2相比YOLO，最大的变化是摒弃了YOLO直接回归得到bo...
YOLO_V2教程
caicai2526的博客
09-21 4526
自我感觉YOLO_v2检测效果还是可以的，目前的用于检测的yolo，ssd都是还不错的，我将yolo_v2尝试了一下，下面我就说说用法。 yolo_v2下载地址：https://github.com/pjreddie/darknet https://pjreddie.com/darknet/yolo/官网地址，里面有安装的方法以及步骤可以借鉴 https://pjreddie.com/dark
YOLO 超详细入门02 v2 （含代码及原文）
IanYue的博客
08-21 6990
YOLO超详细入门02 零基础看懂 图文详解（含代码及原文）——网络架构，BN，高分辨率，细粒度特征……
anchor设置 yolo_目标检测——YOLO-v2！
06-10
在YOLO-v2目标检测算法中，Anchor是指一组预设的边界框，这些边界框的大小和比例是在训练集中通过聚类得到的。YOLO-v2使用KMeans聚类算法来得到预设的Anchor。具体步骤如下： 1. 从训练集中选取一部分样本作为聚类样本； 2. 对聚类样本进行KMeans聚类，得到K个聚类中心； 3. 对聚类中心进行非极大值抑制（NMS），去除高度重叠的聚类中心； 4. 选取剩余聚类中心作为Anchor。 得到预设Anchor之后，YOLO-v2通过比较每个Anchor与目标框的重叠程度来确定目标框的位置和大小。具体来说，对于每个Anchor，如果它与某个目标框的重叠程度（IoU）高于一定阈值，则该Anchor被认为是与该目标框对应的Anchor，然后通过回归的方式预测目标框的位置和大小。
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