目标检测
CabbageWust
这个作者很懒,什么都没留下…
展开
-
NMS算法实现
import numpy as npdef nms(dets, thresh): # x1, y1, x2, y2, score x1, y1, x2, y2, scores = dets[:, 0], dets[:, 1], dets[:, 2], dets[:, 3], dets[:, 4] areas = (x2 - x1 + 1) * (y2 - y1 + 1) # 各个方框的面积 order = scores.argsort()[::-1] # 按置信度排序后的原创 2020-09-03 00:03:13 · 638 阅读 · 0 评论 -
Retinaface代码解读(基于pytorch)
论文地址:https://arxiv.org/pdf/1905.00641.pdfpytorch实现:Retinaface原创 2020-08-18 22:40:20 · 1400 阅读 · 0 评论 -
目标检测中的常用模块总结
FPN一个自底向上的线路,一个自顶向下的线路,横向连接(lateral connection)。图中放大的区域就是横向连接,这里1*1的卷积核的主要作用是减少卷积核的个数,也就是减少了feature map的个数,并不改变feature map的尺寸大小。pytorch实现import torchimport torch.nn as nnimport torch.nn.functional as Fdef conv_bn(inp, oup, stride = 1, leaky = 0):原创 2020-08-13 23:45:07 · 964 阅读 · 0 评论 -
Yolov4论文阅读
论文地址:https://arxiv.org/pdf/2004.10934.pdfyolov4和yolov5两个模型相继在四五月份出来(尽管后者的名字还存在一些争议),最近正好有一个目标检测的任务要做,就试了试yolov5,只用yolov5s网络的默认参数在自己的数据集上训练就达到了很好的检测效果,速度也相当快(在GTX1070上检测一帧640x640的图像耗时仅仅8ms)。然而yolov5在很大程度上只是从工程上对yolov4进行了优化,也没有相应的论文,所以把yolov4的论文仔细阅读了一下,发现文章原创 2020-07-14 00:32:55 · 997 阅读 · 0 评论 -
yolov3算法理解
论文地址:https://pjreddie.com/media/files/papers/YOLOv3.pdf摘要相较yolov2而言,yolov3模型稍大,但是在提升了检测精度的同时仍然保持着不错的计算速度。对于320x320的输入图像,yolov3耗时22ms。Yolov3的检测精度为57.9AP50,比精度相当的SSD算法快3倍,比Retinanet快3.8倍。算法结构边界框预测和Yolo9000一样,Yolov3仍然采用聚类的方法计算出anchor boxes,每一个单元格有3个anch原创 2020-07-15 00:08:42 · 856 阅读 · 0 评论 -
Yolov5训练笔记
Yolov4刚出来没多久,就迎来了Yolov5的面世,尽管其名称还存在很多争议(它配不配叫yolov5的问题),因为其主要是一些工程方面的优化,没有相应的论文,其性能显著优于yolo之前的版本,也包括yolov4。对于我个人而言,好用就行了!本文详细介绍使用yolov5训练自己的数据集的过程。安装Yolov5将yolov5的代码从github拉下来git clone https://github.com/ultralytics/yolov5安装相应的环境依原创 2020-07-15 16:24:03 · 3426 阅读 · 4 评论