object_detection物体检测开源框架使用及性能评估（八）

最新推荐文章于 2020-07-15 19:50:22 发布
最新推荐文章于 2020-07-15 19:50:22 发布
阅读量248 收藏
点赞数
分类专栏： 深度学习
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/qq_29153321/article/details/103936882
版权

目录

安装部分

第一章 常用标注数据集

第二章 object_detection开源框架使用案例入门

第三章 标注自己的数据集

第四章 基于tensorflow-cpu的object_detection开源框架模型训练

第五章 基于GPU服务器的object_detection开源框架模型训练

第六章 object_detection开源框架模型评估

第七章 yolo开源框架安装及使用

第八章 yolo开源框架模型评估

第九章 Mask_rcnn模型开源框架安装及使用

第八章 yolo开源框架模型评估

8.1 各模型精度对比

Yolo官网提供在mAp@IoU=0.5的mAp值如下：
在这里插入图片描述

8.2 测试图片评估

评估效果根据第六章中的6.1-6.3的结果进行判定。

  • 检测速度：yolov1- yolov 3的tiny模型很快，yolov1- yolov 3模型较慢，其中yolov3最慢
  • 检测效果：yolov1- yolov 3的tiny模型检测效果均较差，yolov1- yolov 3的检测效果较好，其中yolov3检测效果最好，但速度最慢。
卓玛cug
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Object Detection网络框架学习:SSD
LeoLee
05-26 264
SSD(Single Shot MultiBox Detector)是ECCV2016的一篇文章，属于one - stage套路。在保证了精度的同时，又提高了检测速度，相比当时的Yolo和Faster R-CNN是最好的目标检测算法了，可以达到实时检测的要求。在Titan X上，SSD在VOC2007数据集上的mAP值为74.3%，检测速度为59fps。 SSD SSD效果为什么这么好 ...
object_detection物体检测开源框架使用及性能评估（七）
qq_29153321的博客
01-11 340
第七章 yolo开源框架安装及使用 yolo框架主要是做实时目标检测的，它的模型分基础和tiny两种类型，可以让用户在速度和检测效果之间进行平衡选择。实时摄像头目标检测需要cuda。 7.1 yolov3 7.1.1 yolov3模型 在目录：/home/users/chenzhuo下 安装Darknet # git clone https://github.com/pjreddie/darkne...
object_detection物体检测开源框架使用及性能评估（三）
qq_29153321的博客
01-11 226
第三章 标注自己的数据集 本章主要讲述利用LabeLImg数据集标注工具进行批量图片的标注。 3.1 LabelImg简介 在深度学习的模型训练时，需要大量的带有标注的样本，人工标注是一样费时又费力的工作，LabelImg是为此而推出的一款便捷的标注工具。 3.2 LabelImg安装部分 参考文档 添加链接描述 对于ubuntu系统 ## 下载labelImg源代码： # cd /home/us...
object_detection物体检测开源框架使用及性能评估（六）
qq_29153321的博客
01-11 469
第六章 object_detection开源框架模型评估 本章主要为对object_detection开源框架预训练模型、基于预训练模型训练自己的模型进行精度、速度等各方面的评估。 6.1 预训练模型评估 6.1.1 预训练模型精度对比 这些预训练模型都是基于coco数据集训练出来的，从下图中（官方提供）可以看出faster_rcnn_nas的评估精度（COCO mAp）最高，但是它的物体识别速度...
object_detection物体检测开源框架使用及性能评估（安装部分）
qq_29153321的博客
01-11 409
目录 安装部分 第一章 常用标注数据集 第二章 object_detection开源框架使用案例入门 第三章 标注自己的数据集 第四章 基于tensorflow-cpu的object_detection开源框架模型训练 第五章 基于GPU服务器的object_detection开源框架模型训练 第六章 object_detection开源框架模型评估 第七章 yolo开源框架安装及...
Real_time_Object_detection_TF-master_objectdetection_源码
10-02
4. 评估模型：使用eval.py脚本来评估模型的性能。 5. 导出模型：将训练好的模型保存为可用于推理的格式。 在实时应用中，我们会使用inference.py这样的脚本来加载已经训练好的模型，并对输入的图像或视频流进行实时...
Object_Detection
03-21
10. **训练和评估**：利用Python的库如TensorFlow或PyTorch，可以编写代码来训练模型，同时使用标准指标如mAP（平均精度均值）来评估模型性能。 11. **真实世界应用**：对象检测技术广泛应用于自动驾驶、监控系统、...
object_detection
11-26
在这个场景中，我们关注的是"tensorflow.models/research/object_detection"项目，这是一个基于TensorFlow的强大框架，专门用于物体检测任务。该项目源自GitHub，提供了多种预训练模型和工具，使得开发者能够快速地...
matlab光照模型代码-object_detection_evaluation:用于评估多种检测模型中的HDR，多个TMO和LDR的框架是否
05-23
用于评估多种检测模型中的HDR，多个TMO和LDR的框架是否适合极端照明条件下的物体检测 软件要求： 1) MATLAB 2017 and above https://www.mathworks.com/products/new_products/release2017a.html 2) HDRToobox ...
Object_detection_pytorch
02-15
综上所述，“Object_detection_pytorch”项目为开发者提供了一个实践PyTorch物体检测功能的起点，通过深入研究和实践，可以深入了解深度学习在物体检测中的应用，并进一步提升模型的性能和效率。
object_detection物体检测开源框架使用及性能评估（一）
qq_29153321的博客
01-11 478
目录 第一章 常用标注数据集 第二章 object_detection开源框架使用案例入门 第三章 标注自己的数据集 第四章 基于tensorflow-cpu的object_detection开源框架模型训练 第五章 基于GPU服务器的object_detection开源框架模型训练 第六章 object_detection开源框架模型评估 第七章 yolo开源框架安装及使用 第八章 yolo开源...
目标检测模型中的性能评估——MAP(Mean Average Precision)
诗蕊的专栏
02-18 5万+
目标检测模型中性能评估的几个重要参数有精确度，精确度和召回率。本文中我们将讨论一个常用的度量指标：均值平均精度，即MAP。 在二元分类中，精确度和召回率是一个简单直观的统计量，但是在目标检测中有所不同的是及时我们的物体检测器在图像中检测到物体，如果我们仍无法找到它所在的图像中的哪个位置也是无用的。由于我们需要预测图像中的目标的发生和位置，所以在计算精确度和召回率与普通的二分类有所不同。 目...
cs231n学习笔记-CNN-目标检测、定位、分割
MyArrow的专栏
07-11 5万+
1. 基本概念 1）CNN：Convolutional Neural Networks  2） 2. CNN基本知识 2.1 CNN的卷积流程  1）Activations maps的个数与Filter的个数一致。 2）输入层与Filter、Padding、Stride、参数和输出层的关系
Tensorflow物体检测（Object Detection）
西涛offbye-移动全栈技术博客
10-27 1万+
research
商汤开源目标检测工具箱mmdetection代码详解（二）------ mmdetection的训练过程
ZJE
07-15 4924
mmdetection版本：2.0 mmdetection的main（）函数就在 tool/train.py里，在代码详解(一)中说过，看train.py的代码，看不懂的地方最先遇到的是 build_xxx()，build_xxx()已经在代码详解(一)中讲过了，然后现在就说第二个比较难懂的地方，就是训练的过程。 mmdetection的训练过程，只用调用一个接口，就是 train_detector(),这个接口被定义在mmdetection项目代码的 mmdet/apis/train.py里，注意..
项目：检测模型的训练及使用
jasonxu的博客
06-10 1283
训练过程参考object_detection下的官网教程：https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/running_pets.md 一、下载代码库、设置环境变量、预编译： 1、本次代码使用tensorflow官方代码，代码地址如下： https://github.com/t...
category命令评估YOLO模型对每种物体检测的性能
yudiemiaomiao的博客
05-18 2282
将下面代码添加到darknet/src/detector.c中：void print_category(FILE **fps, char *path, box *boxes, float **probs, int total, int classes, int w, int h, float thresh, float iou_thresh) { int i, j; char labe
Tensorflow object detection API 搭建属于自己的物体识别模型（1）——环境搭建与测试
热门推荐
dy_guox的博客
01-17 8万+
https://blog.csdn.net/dy_guox/article/details/79111949 后续博客地址（附带视频教程） -------------------------------------------------------------------------------------------------- 最近对深度学习比较感兴趣，看了网...
利用TF_Object_detection_API 训练自己的模型
fufeng0522的博客
03-27 654
安装Tensorflow_Object_detection_API 依赖库Protobuf 、Python-tk、Pillow 1.0、lxml、tf Slim、Jupyter notebook、Matplotlib、Tensorflow、Cython、cocoapi具体请参考：https://github.com/tensorflow/models/blob/master/research/ob...
dlib 拿到 full_object_detection 后怎么做人脸矫正
最新发布
05-25
在拿到 `full_object_detection` 对象后，我们可以使用 `dlib.get_face_chip()` 函数来进行人脸矫正。这个函数可以将人脸裁剪并进行矫正，使得人脸的姿态更加标准化，有利于后续的人脸识别等任务。 具体操作步骤如下： 1. 读入原始图像和 `full_object_detection` 对象。 ```python import dlib import cv2 detector = dlib.get_frontal_face_detector() predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat") # 读入图像 img = cv2.imread("test.jpg") # 人脸检测 dets = detector(img, 1) # 获取关键点 for i, face in enumerate(dets): shape = predictor(img, face) # 获取 full_object_detection 对象 dlib_full_object_detection = dlib.full_object_detection(face, shape) ``` 2. 对每个 `full_object_detection` 对象进行人脸矫正，并保存到文件。 ```python # 对每个 full_object_detection 进行人脸矫正 face_chip = dlib.get_face_chip(img, dlib_full_object_detection) # 保存到文件 cv2.imwrite("face_chip.jpg", face_chip) ``` 注意：`get_face_chip()` 函数默认会将人脸裁剪为 150x150 的大小，如果需要调整大小，可以使用 `size` 参数来指定。 ```python face_chip = dlib.get_face_chip(img, dlib_full_object_detection, size=200) ``` 这样就可以将原始图像中的人脸进行矫正，并保存矫正后的人脸图像。
评论
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