YOLOV3实战项目

131 篇文章 1 订阅
110 篇文章 12 订阅

YOLOV3实战项目

在这里插入图片描述

四、标签文件的读取与处理

coco数据集有80个类别,而前面的第一个数代表着类别所对应的序号。
在这里插入图片描述
2.
后面表示前面所代表物体在这张图片上的坐标。
在这里插入图片描述
3.
但是2中的类别所对应的坐标是指图片还没有pad之前的位置,现在经过pad的处理,物体的相对位置也发生了变化。
在这里插入图片描述
4.
在这里插入图片描述
5.
在这里插入图片描述
6.

在这里插入图片描述
7.
此时的target中存放着这张图片所属类别的编号,图片中的物体所处的相对坐标。
在这里插入图片描述
8.
在这里插入图片描述
9.

在这里插入图片描述

五、debug模式的介绍

在这里插入图片描述
在这里插入图片描述

六、基于配置文件构建网络模型

在这里插入图片描述
2.

在这里插入图片描述
3.
在这里插入图片描述

它不仅仅是单独的一个层,它是一个组合,所以在代码中,也得表现出来
在这里插入图片描述
5.
了解一下上采样层的操作。
在这里插入图片描述

七、路由层和shortcut层

1.route拼接操作
在这里插入图片描述
2.

在这里插入图片描述
3.
自己为-1层
在这里插入图片描述
4.
在这里插入图片描述
在这里插入图片描述
5.

下图是8中9个不同框h和w的配比。
在这里插入图片描述
然后再找到由于这个歌检测大目标的所以这个得是6,7,8号框的h和w的配比(先验框实际的h和w的大小)
在这里插入图片描述

八、YOLO层定义解析

在这里插入图片描述
2.、在daknet中的yolo层有3个

九、预测结果计算

在这里插入图片描述
2.

在这里插入图片描述
3.
在这里插入图片描述
4.
在这里插入图片描述
5.

在这里插入图片描述
6.
在这里插入图片描述

十、网格偏移计算

在这里插入图片描述

. 2.
由于我们最终是要在输入图片上显示我们目标所在的位置,而现在此处的x,y
是相对于黑色点的位置,所以第一步我们要把黑色点的位置换成相对于1313格子的绝对位置,然后,再通过1313的格子位置也是一个相对位置,那我们还需要把这个13*13的位置转换成输入图片的位置。
在这里插入图片描述
下面这个代码干的就是这个事儿
在这里插入图片描述
3.
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

下图红色的框分为两种,第一种是我们在原图上框的大小,还有一种就是在我们YOLO网路中处理后的三种目标检测后的特征矩阵图上面框的大小,由于特征矩阵图大小的变化,所以对于下面的9中先验框的大小也会不一样,需要对这些框进行成比例的变化。
在这里插入图片描述
4.

这计算的相对于13*13格子中的相对位置
在这里插入图片描述
5.
从最后一个特征矩阵图中还原到输入图片的位置中去,其中需要还原的只是坐标,confidence值和类别的概率不需要还原。
在这里插入图片描述

十一、模型要计算的损失的描述

计算损失值
在这里插入图片描述
2.
计算损失的时候,我们需要与target做比较,但是呢,我们的最终的预测结果是相对于最后一个特征矩阵而言的,所以我们需要把这些预测结果映射到输入图片上面去。
在这里插入图片描述
3.

4中损失函数的类别。
在这里插入图片描述

十二、标签值格式修改

目前并不知道到原始图片上那些位置有目标,所以先进初始化,把所有的位置都初试化为0,然后再通过预测结果,把有物体的位置上都设置成为1
在这里插入图片描述
2.
实际上有目标考虑的是一个前景,没有目标考虑的是一个背景。在这里能不能使用其他技术,来区分前景和背景。
在这里插入图片描述
3.
在这里插入图片描述
4.
暂时拿0作为填充,之后会用1做填充
在这里插入图片描述
5.
在这里插入图片描述
6.

在这里插入图片描述

十三、坐标相对位置计算

在这里插入图片描述

在这里插入图片描述
3.

在这里插入图片描述
best_n表示三个候选框中与真实候选框iou值最大的候选框的编号,候选框的编号为:0,1,2
在这里插入图片描述
4.

在这里插入图片描述

在这里插入图片描述
6
在这里插入图片描述
7.
在这里插入图片描述

十四、完成所有损失函数所需的计算指标

在这里插入图片描述
2.

在这里插入图片描述
3.
在这里插入图片描述在这里插入图片描述

十五、模型的训练和总结

在这里插入图片描述
2.
在这里插入图片描述

十六、预期要过展示

在这里插入图片描述
2.
下面是一个测试图片的文件夹路径
在这里插入图片描述
3.
需要测试的文件
在这里插入图片描述
4.

已经训练好的权重参数
在这里插入图片描述
5.

在这里插入图片描述
6.
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

  • 0
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
YOLO系列是基于深度学习的端到端实时目标检测方法。 PyTorch版的YOLOv5轻量而高性能,更加灵活和易用,当前非常流行。 本课程将手把手地教大家使用labelImg标注和使用YOLOv5训练自己的数据集。课程实战分为两个项目:单目标检测(足球目标检测)和多目标检测(足球和梅西同时检测)。  本课程的YOLOv5使用ultralytics/yolov5,在Windows和Ubuntu系统上分别做项目演示。包括:安装YOLOv5、标注自己的数据集、准备自己的数据集(自动划分训练集和验证集)、修改配置文件、使用wandb训练可视化工具、训练自己的数据集、测试训练出的网络模型和性能统计。 除本课程《YOLOv5实战训练自己的数据集(Windows和Ubuntu演示)》外,本人推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程,包括:《YOLOv5(PyTorch)目标检测:原理与源码解析》课程链接:https://edu.csdn.net/course/detail/31428《YOLOv5目标检测实战:Flask Web部署》课程链接:https://edu.csdn.net/course/detail/31087《YOLOv5(PyTorch)目标检测实战:TensorRT加速部署》课程链接:https://edu.csdn.net/course/detail/32303《YOLOv5目标检测实战:Jetson Nano部署》课程链接:https://edu.csdn.net/course/detail/32451《YOLOv5+DeepSORT多目标跟踪与计数精讲》课程链接:https://edu.csdn.net/course/detail/32669《YOLOv5实战口罩佩戴检测》课程链接:https://edu.csdn.net/course/detail/32744《YOLOv5实战中国交通标志识别》课程链接:https://edu.csdn.net/course/detail/35209 《YOLOv5实战垃圾分类目标检测》课程链接:https://edu.csdn.net/course/detail/35284  
YOLO系列是基于深度学习的端到端实时目标检测方法。 PyTorch版的YOLOv5轻量而性能高,更加灵活和易用,当前非常流行。 本课程将手把手地教大家使用labelImg标注和使用YOLOv5训练自己的数据集。课程实战分为两个项目:单目标检测(足球目标检测)和多目标检测(足球和梅西同时检测)。 本课程的YOLOv5使用ultralytics/yolov5,在Windows系统上做项目演示。包括:安装YOLOv5、标注自己的数据集、准备自己的数据集、修改配置文件、使用wandb训练可视化工具、训练自己的数据集、测试训练出的网络模型和性能统计。 希望学习Ubuntu上演示的同学,请前往 《YOLOv5(PyTorch)实战:训练自己的数据集(Ubuntu)》课程链接:https://edu.csdn.net/course/detail/30793  本人推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程,包括:《YOLOv5(PyTorch)目标检测实战:训练自己的数据集》Ubuntu系统 https://edu.csdn.net/course/detail/30793Windows系统 https://edu.csdn.net/course/detail/30923《YOLOv5(PyTorch)目标检测:原理与源码解析》课程链接:https://edu.csdn.net/course/detail/31428《YOLOv5目标检测实战:Flask Web部署》课程链接:https://edu.csdn.net/course/detail/31087《YOLOv5(PyTorch)目标检测实战:TensorRT加速部署》课程链接:https://edu.csdn.net/course/detail/32303《YOLOv5目标检测实战:Jetson Nano部署》课程链接:https://edu.csdn.net/course/detail/32451《YOLOv5+DeepSORT多目标跟踪与计数精讲》课程链接:https://edu.csdn.net/course/detail/32669《YOLOv5实战口罩佩戴检测》课程链接:https://edu.csdn.net/course/detail/32744《YOLOv5实战中国交通标志识别》课程链接:https://edu.csdn.net/course/detail/35209《YOLOv5实战垃圾分类目标检测》课程链接:https://edu.csdn.net/course/detail/35284       

“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
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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