OpenMMLabAI实战营4 目标检测算法基础笔记

最新推荐文章于 2024-08-23 23:31:24 发布
最新推荐文章于 2024-08-23 23:31:24 发布
阅读量80 收藏
点赞数
分类专栏： OpenMMLabAI实战营笔记 文章标签： 目标检测 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/weixin_43491068/article/details/128918511
版权
图像检测目标检测
通常只有一个物体数量不固定
位于图像中央位置不固定
占据主要面积大小不固定
都需要理解图像内容

滑窗：固定大小窗口，遍历图像所有位置，成本过高
改进思路

  • 启发式算法替换暴力遍历
    基于图像颜色或底层特征
  • 减少冗余计算，使用卷积网络实现密集预测
    重叠部分只计算一次卷积特征
    线性分类（1*1的卷积）为（C+1（背景））维概率向量
    两阶段方法：以某种方式产生窗，再基于窗口内的特征进行预测（精度高速度慢）
    单阶段方法：在特征图上基于单点特征实现密集预测（速度快YOLO、SSD）
    backbone+head

目标检测技术历史

-2012 传统方法DPM
R-CNN两阶段方法
在这里插入图片描述

基础知识

框，边界框

  1. 左上右下
  2. 中心坐标及长宽
    +置信度及类别共6个参数
    交并比IOU
    非极大值抑制:同一物体的相近检测框只保留最大
    边界框回归
    在这里插入图片描述

编码值（绝对偏移量过大，类似归一化）
在这里插入图片描述

YOLO、SSD使用锚框确定物体单格内物体
因为锚框数量远多于真值框数量 focal loss解决
5级特征图、多尺度锚框、密集预测头
FCOS（19）取消锚框，在多层卷积中加头
CenterNet以框表示物体变成以中心点表示物体
DETR（20Transformer）seq2seq 输出框（多用于工业检测）

评估方法

正确、假阳（实际没有）、假阴（实际有未检出）
对前K个框计算Precision和Recall

披着影子的狼
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
《机器学习》中的假设空间和版本空间
anqijiayou的博客
03-26 1万+
      初看周志华老师的《机器学习》，搞清楚假设空间和版本空间的概念还是非常必要的。假设空间：监督学习（supervised learning）的任务是学习一个模型，使模型能够对任意给定的输入，对其相应的输出做出 一                   个好的预测。模型属于由输入空间到输出空间的映射的集合，这个集合就是假设空间(hypothesis space)。我们也可           ...
Day 5 --- OpenMMLab系列之目标检测基础（二）
selectnothing的博客
02-08 209
OpenMMLab 目标检测第二部分
OpenMMLab AI实战营打卡笔记——04 目标检测算法基础
XuanDawn的博客
02-07 168
OpenMMLab AI实战营打卡笔记
OpenmmlabAI实战营开营笔记暨子豪兄概述课5.31
Ezrealok的博客
05-31 112
之前已经忘记在openmmlab的哪篇文章里看到实战营的学习活动，并且看到有mmpose的讲解课程，我目前也是研一在读，在做姿态估计相关的方向，实验室属于没人带放养的状态，一年下来没学到什么东西，之前师姐推荐过mmpose，上一周刚刚安装好mmpose的环境，这周就看到了实战营！非常兴奋，希望能在这是几天的学习中掌握如何使用好这个强大的开原算法库。今天从头到尾听完开营直播，感觉每个班的班长助教都是很厉害的人（子豪兄更不用多说了），希望在经过学习之后，能对自己有一个提升吧！
YOLO目标检测算法入门基础教程.md
08-04
YOLO，即You Only Look Once，是一种实时目标检测系统。它能够快速准确地识别图像中的多个对象。与传统的目标检测方法相比，YOLO将目标检测任务视为单一的回归问题，从而实现快速的检测速度。
C#语言对 YOLOv4 目标检测算法封装
03-26
YOLOv4是一种高效且准确的目标检测算法，全称为"You Only Look Once"的第四版。在计算机视觉领域，目标检测是识别图像中特定物体并定位它们的重要任务。YOLOv4由Alexey Bochkovskiy、Chien-Yao Wang和Hong-Yuan Mark...
目标检测算法-单阶段目标检测算法流程
07-18
单阶段目标检测算法--yolov5实现对交通标志牌的实施流程.
无人驾驶车辆在复杂环境下的目标检测算法研究
03-01
本文以YOL0v4目标检测算法为基础， 对其提出改进和优化。 首先使用深度可分离卷积和倒残差结构进行对网络进行轻量化改进， 减少了YOLOv4算法的参数量和计算量， 在损失 小部分检测精度的情况下使检测速度得到大幅...
yolov8目标检测算法实现（Python源码）
07-10
yolov8目标检测算法实现（Python源码） yolov8目标检测算法实现（Python源码） yolov8目标检测算法实现（Python源码） yolov8目标检测算法实现（Python源码） yolov8目标检测算法实现（Python源码） yolov8目标检测...
YOLOv10改进 | 独家创新- 注意力篇 | YOLOv10结合全新多尺度线性注意力机制DSLAM和C2f_DSLAM(全网独家创新)
tsg6698的博客
08-23 474
多尺度卷积的设计结合了不同大小的卷积核（例如，3x3、5x5、7x7、11x11、21x21等），这些卷积核通过不同的感受野捕捉图像中多种尺度的特征。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv10改进有效涨点专栏，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~综上DSLAM模块通过多尺度卷积的深度融合、自适应池化和线性注意力机制的有机结合，实现了对图像多尺度信息的高效捕捉和全局特征的有效建模。
CNN进化论：从LeNet到ResNet的深度学习征途与PlugLink的赋能实践
AI心易行者
08-23 581
在过去的几十年里，卷积神经网络（CNN）经历了从理论框架到实际应用的飞速发展，成为现代人工智能领域中图像识别、自然语言处理等多个分支的核心推动力。今天，我们将踏上一场穿越时空的旅程，逐一剖析那些里程碑式的CNN架构，并揭秘开源项目如何助力研究者和开发者在这条路上走得更远。
【深度学习】LLaMA-Factory 大模型微调工具, 微调GLM-4-9B-Chat-1M ，Docker (4)
q742971636的博客
08-23 65
如今LLaMA-Factory 已正式支持GLM-4-9B，本篇文章会以Docker方式进行GLM-4-9B-Chat-1M微调，让其适合垂类任务。我的Docker镜像也会上传，可以直接使用，无需繁琐步奏即可开始训练部署。LLaMA Board 可视化微调（由 Gradio 驱动）
深度学习——超大病理图像mask的保存与读取
最新发布
一世纤华的博客
08-23 150
对于100000x80000级别的黑白mask，在保存的时候有三种方式1、用cv2.imwrite()保存成.tiff格式 （推荐）2、用tifffile.imwrite()保存成.tiff格式（占用空间很大）3. 用np.save保存成.npy格式 （占用空间很大）
Tensorflow实现深度学习案例7：咖啡豆识别
2301_76606951的博客
08-20 1054
本文为为内部文章原作者：K同学啊。
【视频讲解】主成分分析原理与水果成熟数据实例：Python中PCA-LDA 与卷积神经网络CNN...
拓端研究室TRL
08-22 420
全文链接：https://tecdat.cn/?p=37450分析师：Shixian Ding主成分分析（PCA）作为数据科学中用于可视化和降维的重要工具，在处理具有大量特征的数据集时非常有用。就像我们难以找到时间阅读一本 1000 页的书，而更倾向于 2 到 3 页的总结以抓住整体概貌一样，当数据集中特征过多时，PCA 可以帮助我们减少维度，提高模型训练效率，同时尽可能保留更多信息（点击文末“...
【深度学习】【多模态】使用MiniCPM-V 2.6进行图片OCR
q742971636的博客
08-19 196
将下面的python中的目录地址换成MiniCPM-V-2_6项目所在地址。OCR没有专用OCR识别能力强，但分析能力非常好，感觉可以用于分析版面。准备一个图片’test.jpg’。
Magenta——利用深度学习生成音乐和艺术内容
m0_75253143的博客
08-23 792
Magenta 算法集成了深度学习中的多种核心技术，包括 RNN、Transformer、GAN、VAE 和多模态学习。这些技术的结合使 Magenta 能够生成高质量的音乐、艺术图像和跨领域的创意内容。通过注意力机制、上下文理解和数据增强，Magenta 实现了更加连贯、自然且具备创意的生成效果，适用于各类艺术创作和互动应用场景。
深度学习（一）
zhu134的博客
08-23 497
随机梯度下降：SGD是每次使用一个训练样本xix_ixi​和标签yiy_iyi​进行一次参数更新，SGD通过一次执行一次更新解决了BGD中，每一次参数更新都要计算很多相似样本的梯度的问题，因此通常SGD的速度会非常快而且可以被用于在线学习。SGD以高方差的特点进行连续参数更新，导致目标函数严重震荡，然而SGD的震荡特点导致其可以跳到新的潜在的可能更好的局部最优点批量梯度下降：BGD。
YOLO算法详解：目标检测实战与Python实现
本文主要探讨了机器学习系列中的第7个主题——目标检测技术，特别是针对YOLO（You Only Look Once）算法的原理和Python实现。目标检测是计算机视觉中的关键任务，它分为三个主要步骤：目标分类、目标定位和特征点...
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