处理边界框、目标识别
1.第一层过滤,过滤概率较小的框
思路:选择一个阈值,用这个阈值为界限,大于这个阈值的边框保留,小于这个阈值的舍弃。
![8cd8ed07ddfb212d5f897550a1ffc43d.png](https://img-blog.csdnimg.cn/img_convert/8cd8ed07ddfb212d5f897550a1ffc43d.png)
![30ecf3f4fffb1dd015062d2cba4a8ea3.png](https://img-blog.csdnimg.cn/img_convert/30ecf3f4fffb1dd015062d2cba4a8ea3.png)
2.第二次过滤,非最大抑制NMS
计算交并比,使用交并比确定哪个框是最大的
![181b01f4ece7e343826d957c4b64b213.png](https://img-blog.csdnimg.cn/img_convert/181b01f4ece7e343826d957c4b64b213.png)
3.yolo的非最大抑制
可以直接调用tensorflow中的tf.image.non_max_suppression()函数实现
![b47052a103b93470eb3f8d7d0af533a4.png](https://img-blog.csdnimg.cn/img_convert/b47052a103b93470eb3f8d7d0af533a4.png)
![30c9ac922e37f34e6fe882e9aa099eb4.png](https://img-blog.csdnimg.cn/img_convert/30c9ac922e37f34e6fe882e9aa099eb4.png)
4.实现
分别用前面定义的两种过滤方式对框进行过滤,并返回分值,分类,框的位置
![07a6017d5fa0dd6a785980bb58413541.png](https://img-blog.csdnimg.cn/img_convert/07a6017d5fa0dd6a785980bb58413541.png)
![64c2fdbf35d237ad4f2417adc6529ddd.png](https://img-blog.csdnimg.cn/img_convert/64c2fdbf35d237ad4f2417adc6529ddd.png)
5.小结
(1)输入图片(608,608,3)
(2)经过CNN输出(19,19,5,85)
(3)展开后两个维度得到(19,19,425),5个框80类+4个位置坐标+1个是否=5*(80+4+1)
(4)过滤,使用阈值过滤和非最大抑制NMS过滤
(5)输出yolo结果
6.正式预测
创建会话
![7dea9f90642c0ec256e9e9cfcdc9c87d.png](https://img-blog.csdnimg.cn/img_convert/7dea9f90642c0ec256e9e9cfcdc9c87d.png)
定义类、锚点、形状
![53c63f134b8281f3e1e182b19af8f7cb.png](https://img-blog.csdnimg.cn/img_convert/53c63f134b8281f3e1e182b19af8f7cb.png)
![d86fc1b7b786f492ad2f1c49f49b9713.png](https://img-blog.csdnimg.cn/img_convert/d86fc1b7b786f492ad2f1c49f49b9713.png)
加载预训练模型,官网提供
![6b8f5833cfb95b5a4e03a218f7770b37.png](https://img-blog.csdnimg.cn/img_convert/6b8f5833cfb95b5a4e03a218f7770b37.png)
输出变换
![c803d2f1378b09ffad8287ee3b909a33.png](https://img-blog.csdnimg.cn/img_convert/c803d2f1378b09ffad8287ee3b909a33.png)
过滤
![21ecacfdd15e0740809161b915e70758.png](https://img-blog.csdnimg.cn/img_convert/21ecacfdd15e0740809161b915e70758.png)
预测
![a2ce464e2baef88a5a13fcd37cf2da36.png](https://img-blog.csdnimg.cn/img_convert/a2ce464e2baef88a5a13fcd37cf2da36.png)
![a798bd50a920675e2e040fcd81a6894f.png](https://img-blog.csdnimg.cn/img_convert/a798bd50a920675e2e040fcd81a6894f.png)
YOLO是一个十分流行的目标检测方法,值得仔细学习一边。