目标检测物体检测
文章平均质量分 73
记录目标检测,物体检测学习过程
一头秀发的假程序猿
国内某大学研究生,搞搞电路,搞搞单片机、无人机、智能车,搞搞嵌入式Linux,搞搞Python,搞搞图像处理,搞搞机器学习。。
展开
-
批量下载百度搜索图片+labelimg制作自己的数据集+转换至Yolo-v5训练数据集
由于课题需要,需要自己制作数据集进行训练,目前是自己制作的第二个数据集,发现有某些细节已经忘记,记录备忘,同时为后来者提供借鉴。文章以car-tank数据集做为例子介绍整体流程:1.准备数据:从各种途径获取原始数据,博主的car-tank原始数据是在网上搜索然后批量保存的2.标注数据:使用labelimg标注软件标注数据,最终得到images、label文件3.分配数据转换格式:label标注的标签文件为xml文件,需要划分数据集,并转换到txt格式4.修改yolo-v5代码...原创 2021-11-29 20:19:33 · 8877 阅读 · 1 评论 -
Matlab 双目相机标定 opencv应用
只记录坑点注意点:1.双目数据获得原始数据获得----其实是一张图片,从中间一分为二,分别为左右相机画面cap = cv2.VideoCapture(1)cap.set(3,1280)cap.set(4,480)while True: ret1, frame = cap.read() # ret2, frame2 = camera2.read() # if not ret1 or not ret2: if ret1 != True: b原创 2021-11-11 15:26:43 · 3798 阅读 · 1 评论 -
YOLOV3个人理解总结
DBL:代码中的Darknetconv2d_BN_Leaky,是yolo_v3的基本组件。就是卷积+BN+Leaky relu。resn:n代表数字,有res1,res2, … ,res8等等,表示这个res_block里含有多少个res_unit。concat:张量拼接。将darknet中间层和后面的某一层的上采样进行拼接。拼接的操作和残差层add的操作是不一样的,拼接会扩充张量的维度,而add只是直接相加不会导致张量维度的改变。上述参考原文链接:https://blog.csdn.n...原创 2021-10-21 16:29:03 · 1644 阅读 · 0 评论 -
YOLOV2个人理解总结
YOLOv2框架图+YOLOv2改进之处1、Batch NormalizationBN(Batch Normalization)层简单讲就是对网络的每一层的输入都做了归一化,这样网络就不需要每层都去学数据的分布,收敛会快点。原来的YOLO算法(采用的是GoogleNet网络提取特征)是没有BN层的,因此在YOLOv2中作者为每个卷积层都添加了BN层。另外由于BN可以规范模型,所以本文加入BN后就把dropout去掉了。实验证明添加了BN层可以提高2%的mAP。...原创 2021-10-21 10:50:16 · 350 阅读 · 0 评论 -
YOLOV1个人理解总结
YOLO是著名的端到端目标检测框架,最大的特点是检测快,亲自试验YOLOv3-v5,v5在jeston Xavier NX上可以达到15FPS左右,检测精度也相当可观,可以达到实时检测,网络的输入是整个图片,输出则是对49个grid cell的预测。YOLOV1的框架图输入输入就是原始图像,唯一的要求是缩放到448×448的大小。主要是因为YOLO的网络中,卷积层最后接了两个全连接层,全连接层是要求固定大小的向量作为输入,所以倒推回去也就要求原始图像...原创 2021-10-20 20:22:18 · 346 阅读 · 0 评论 -
Backbone-各种基础网络总结
各种基础网络结构总结,各种各样的基础网络眼花缭乱,不知道该用哪个,都有什么特性,借此文总结记录。最常用:VGGNet,ResNetVGGNet:VGG是2014年提出来的,一共有6个版本,最常用的是VGG16和VGG19,。VGG是许多目标检测框架的特征提取网络,如fasterrcnn,SSD(在其基础上做了修改)。个人总结,VGG网络排列工整,从前到后顺序执行,非常好理解,但是其参数量太大,且参数多数集中在后面的全连接层,SSD修改的就是这一部分。...原创 2021-09-24 09:47:03 · 542 阅读 · 0 评论 -
SSD目标检测流程深入理解
前言:SSD是经典的一阶目标检测网络框架,特点是速度快,网络简洁。主要思想:(1)数据增强,包括光学变换和几何变换(2)网络骨架,SSD在VGG基础上延伸了4个卷积模块(生成不同尺度的特征图)(3)PriorBox与多层特征图:在不同尺度设置预选框,分别检测不同大小物体(4)正、 负样本的选取与损失计算:按比例选取正负样本流程图:以下两个版本更好理解一、数据增强数据增强流程如上图所示,通过光学变换和几何变换进行数据增强,分别...原创 2021-09-19 01:36:55 · 2202 阅读 · 1 评论 -
Faster-rcnn目标检测流程深入理解
笔者言:学习目标检测框架过程中记录自己的理解过程,个人认为理论知识足够完备前不急动手,单纯学习理论又过于无聊,写博客复述自己的理解是个不错的选择,当做笔记。背景:发源于RCNN、fast-rcnn,最大创新点,提出RPN网络和Anchor机制(锚框机制),物体检测分两步实现,第一步找到前景物体,给出先验框;第二步对先验框内物体分类并修正目标位置。主要环节:(1)特征提取网络:一般选用VGG16或Resnet(2)RPN模块:区域生成模块,用于生成默认2...原创 2021-09-18 10:41:03 · 2037 阅读 · 0 评论