![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
目标检测
文章平均质量分 53
目标检测
我是天才很好
深度学习算法工程师
github: https://github.com/wstchhwp
个人邮箱:1103540209@qq.com
展开
-
使用labelimg进行目标检测数据集标注
文章目录0. 版权声明1. labelimg的安装2. 进行批量标注0. 版权声明本博客参考Bubbliiiing博主博文,仅供学习交流,如有侵权,请联系删除!1. labelimg的安装其实安装labelimg很简单,网上给了各种各样的方法,其实还不如直接使用cmd里面的pip进行安装。如果你的电脑安装了python3,在cmd命令行里面执行以下命令即可:pip install labelimg安装完成后显示如下。之后利用命令:labelimg即:就可以运行。2. 进行批转载 2020-07-21 08:29:15 · 5452 阅读 · 1 评论 -
MSCOCO2014与MSCOCO2017数据集比较
MSCOCO数据集原创 2022-06-11 16:04:13 · 1276 阅读 · 1 评论 -
基于Pytorch的目标检测数据加载
Pytorch框架中有一个非常重要且好用的包:torchvision,该包主要由3个子包组成,分别是:torchvision.datasets、torchvision.models、torchvision.transforms。这3个子包的具体介绍可以参考官网:http://pytorch.org/docs/master/torchvision/index.html具体代码可以参考github:https://github.com/pytorch/vision/tree/master/torchvisi转载 2020-12-29 16:34:29 · 1889 阅读 · 0 评论 -
MSCOCO检测数据集类别中文名
person # 人bicycle # 自行车car # 汽车motorbike # 摩托车aeroplane # 飞机bus # 公交车train # 火车truck # 卡车boat # 船traffic light # 红绿灯fire hydrant # 消防栓stop sign # 停止标志parking meter # 停车收费表bench # 长凳bird # 鸟cat # 猫dog # 狗horse # 马sheep # 羊原创 2020-09-28 17:58:37 · 1284 阅读 · 1 评论 -
目标检测的数据增强
# -*- coding=utf-8 -*-#-----------------------------------------------------------------# Description:# data augmentation for obeject detection# Author:# 我是天才很好 2020-9-21#-----------------------------------------------------------------# 增强原创 2020-09-27 15:04:38 · 1467 阅读 · 3 评论 -
pytorch中的数据增强
import numpy as np from PIL import ImageDraw, Imageimport matplotlib.pyplot as pltdef randomErasing(img, p=0.5, sl=0.02, sh=0.4, r1=0.3, r2=3): """ 随机擦除 """ if np.random.rand() > p: return img img = np.array(i原创 2020-09-08 13:37:54 · 919 阅读 · 0 评论 -
img[::-1,:,:]、img[:,::-1,:]、img[:,:,::-1]是啥?
如果使用了opencv读取图像作为网络的输入时,经常能够看到 img = img[:,:,::-1] 的一行代码。原因是opencv读取图像时,图片的颜色通道为GBR,为了与原始图片的RGB通道同步,需要转换颜色通道。img = img[:,:,::-1] 便能达到该效果。或者直接用:cv2.COLOR_BGR2RGB当使用PIL或者scipy读取图片,就不会出现这种问题,也就不需要转换颜色通道了。三种读取图片的方式比较import cv2import scipy.miscfrom PIL i转载 2020-09-08 10:54:33 · 1370 阅读 · 0 评论 -
pytorch中CIOU的计算
IOU是比值的概念,对目标物体的scale是不敏感的。然而常用的BBox的回归损失优化和IOU优化不是完全等价的,寻常的IOU无法直接优化没有重叠的部分。于是有人提出直接使用IOU作为回归优化loss,CIOU是其中非常优秀的一种想法。CIOU将目标与anchor之间的距离,重叠率、尺度以及惩罚项都考虑进去,使得目标框回归变得更加稳定,不会像IOU和GIOU一样出现训练过程中发散等问题。而惩罚因子把预测框长宽比拟合目标框的长宽比考虑进去。CIOU公式如下 :其中,ρ2(b,bgt)\rho^2(原创 2020-09-07 16:44:21 · 3925 阅读 · 0 评论 -
cv2.putText参数详解
cv2.putText(img, str(i), (123,456)), font, 2, (0,255,0), 3)各参数依次是:图片,添加的文字,左上角坐标,字体,字体大小,颜色,字体粗细其中字体可以选择FONT_HERSHEY_SIMPLEXPython: cv.FONT_HERSHEY_SIMPLEXnormal size sans-serif fontFONT_HERSHEY_PLAINPython: cv.FONT_HERSHEY_PLAINsmall size sans-se原创 2020-09-07 14:20:34 · 5175 阅读 · 1 评论 -
Opencv 中 waitkey()&0xFF,“0xFF”的作用解释
这几日学习OpenCV,刚碰到这个表达式时,对于0xFF的作用不太理解,难道下面两个语句还有区别?(Esc的ASCII码为27,即判断是否按下esc键)if cv2.waitkey(30)==27if cv2.waitkey(30)&0xff==27疑惑首先&运算即“and”运算。其次0xFF是16进制数,对应的二进制数为1111 1111。然后cv2.waitkey(delay)函数1.若参数delay≤0:表示一直等待按键;2、若delay取正整数:表示等待按键的时间转载 2020-09-07 14:14:10 · 1747 阅读 · 0 评论 -
Pytorch搭建YoloV4目标检测网络
0. 版权声明本博客参考Bubbliiiing博主博文,仅供学习交流,如有侵权,请联系删除!1. 什么是YOLOV4YOLOV4是YOLOV3的改进版,在YOLOV3的基础上结合了非常多的小Tricks。尽管没有目标检测上革命性的改变,但是YOLOV4依然很好的结合了速度与精度。根据上图也可以看出来,YOLOV4在YOLOV3的基础上,在FPS不下降的情况下,mAP达到了44,提高非常明显。YOLOV4整体上的检测思路和YOLOV3相比相差并不大,都是使用三个特征层进行分类与回归预测。强烈建转载 2020-07-25 21:03:18 · 6372 阅读 · 0 评论 -
目标检测评价指标:精确度mAP
文章目录1. GITHUB代码下载2. IOU的概念3. TP TN FP FN的概念4. precision(精确度)和recall(召回率)5. 概念举例6. 单个指标的局限性7. 什么是AP8. 绘制mAP1. GITHUB代码下载这个是用来绘制mAP曲线的。https://github.com/Cartucho/mAP这个是用来获取绘制mAP曲线所需的txt的https://github.com/bubbliiiing/count-mAP-txt知识储备2. IOU的概念IOU的概念转载 2020-07-20 08:42:35 · 5142 阅读 · 0 评论 -
Darknet53(YOLO V3骨干网络)
YOLO V3算法使用的骨干网络是Darknet53。Darknet53网络的具体结构如图所示,在ImageNet图像分类任务上取得了很好的成绩。在检测任务中,将图中C0后面的平均池化、全连接层和Softmax去掉,保留从输入到C0部分的网络结构,作为检测模型的基础网络结构,也称为骨干网络。YOLO V3模型会在骨干网络的基础上,再添加检测相关的网络模块。图:Darknet53网络结构 下面的程序是Darknet53骨干网络的实现代码,这里将上图中C0、C1、C2所表示的输出数据取出,并查看它们的形状原创 2020-06-13 16:40:53 · 21570 阅读 · 2 评论 -
Image.fromarray的用法(实现array到image的转换)
一、Image.fromarray的作用:简而言之,就是实现array到image的转换。二、PIL中的Image和numpy中的数组array相互转换:1. PIL image转换成arrayimg = np.asarray(image)需要注意的是,如果出现read-only错误,并不是转换的错误,一般是你读取的图片的时候,默认选择的是"r","rb"模式有关。修正的办法: 手动修改图片的读取状态img.flags.writeable = True # 将数组改为读写模式`2. a转载 2020-06-12 09:13:40 · 36783 阅读 · 1 评论 -
SSD
背景介绍基于“Proposal + Classification”的Object Detection 的方法,R-CNN系列(R-CNN、SPPnet、Fast R-CNN 以及Faster R-CNN),取得了非常好的结果,但是在速度方面离实时效果还比较远,在提高mAP的同时兼顾速度,逐渐成为 Object Detection未来的趋势。YOLO 虽然能够达到实时的效果,但是其mAP 与刚才提...转载 2020-01-03 10:24:22 · 319 阅读 · 0 评论 -
Faster R-CNN
Fast-RCNN基本实现端对端(除了proposal阶段外),下一步自然就是要把proposal阶段也用CNN实现(放到GPU上)。这就出现了Faster-RCNN,一个完全end-to-end的CNN对象检测模型。论文提出:网络中的各个卷积层特征(feature map)也可以用来预测类别相关的region proposal(不需要事先执行诸如selective search之类的算法),但...转载 2020-01-03 10:10:25 · 352 阅读 · 0 评论 -
图解YOLO
YOLO核心思想:从R-CNN到Fast R-CNN一直采用的思路是proposal+分类 (proposal提供位置信息, 分类提供类别信息)精度已经很高,但是速度还不行。 YOLO提供了另一种更为直接的思路: 直接在输出层回归bounding box的位置和bounding box所属的类别(整张图作为网络的输入,把Object Detection 的问题转化成一个 Regression 问题...转载 2020-01-03 10:03:59 · 702 阅读 · 0 评论 -
目标检测之RCNN,SPP-NET,Fast-RCNN,Faster-RCNN
文章目录1. 写在前面2. RCNN流程框图算法特点存在问题3. SPP-NET流程框图算法特点几个要点4. Fast-RCNN流程框图算法特点几个要点存在问题5. Faster-RCNN流程框图算法特点几个要点6. 小结参考文献1. 写在前面在深度学习出现之前,传统的目标检测方法大概分为区域选择(滑窗)、特征提取(SIFT、HOG等)、分类器(SVM、Adaboost等)三个部分,其主要问题...转载 2019-12-30 15:11:10 · 620 阅读 · 0 评论 -
Fast R-CNN
先回归一下: R-CNN, SPP-netR-CNN和SPP-net在训练时pipeline是隔离的:提取proposal,CNN提取特征,SVM分类,bbox regression。Fast R-CNN 两大主要贡献点 :实现大部分end-to-end训练(提proposal阶段除外): 所有的特征都暂存在显存中,就不需要额外的磁盘空间。joint training(SVM分类,...转载 2020-01-03 09:59:37 · 287 阅读 · 0 评论 -
原始图片中的ROI如何映射到到feature map?
在SPP-net中的难点一曾提到:ROI如何对应到feature map?这个地方遇到不少坑,看了很多资料都没有太明白,感觉太绕。先数数遇到的坑:《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》原文是这样写的,一脸懵逼。找了张图是这样画的:有那么点意思,好像是从前向后推出各...转载 2020-01-03 09:56:21 · 612 阅读 · 0 评论 -
SPPNet-引入空间金字塔池化改进RCNN
继续总结一下RCNN系列。上篇RCNN- 将CNN引入目标检测的开山之作 介绍了CNN用于目标检测的基本思想和流程。后续出现了SPPnet, Fast-RCNN, Faster-RCNN等一些列改进。最终实现了端对端学习,同时带来速度与精度的提升。在RCNN中CNN阶段的流程大致如下:红色框是selective search输出的可能包含物体的候选框(ROI)。一张图图片会有~2k个候选框...转载 2020-01-02 10:03:24 · 449 阅读 · 0 评论 -
RCNN- 将CNN引入目标检测的开山之作
文章目录基本流程基础知识各个阶段详解RCNN (论文:Rich feature hierarchies for accurate object detection and semantic segmentation) 是将CNN方法引入目标检测领域, 大大提高了目标检测效果,可以说改变了目标检测领域的主要研究思路, 紧随其后的系列文章:( RCNN), Fast RCNN, Faster RC...转载 2020-01-02 09:34:44 · 736 阅读 · 0 评论 -
目标检测算法基础介绍
文章目录1. 目标检测问题定义1.1 目标检测定义1.2 目标检测vs图像分类1.3 目标检测vs目标分割2. 目标检测问题方法2.1 传统目标检测方法到深度学习目标检测方法的变迁2.2 算法基本流程2.3 传统目标检测方法2.4 深度学习目标检测方法2.5 传统目标检测方法VS深度学习目标检测方法2.6 目标检测应用场景3. 传统目标检测算法3.1 综述3.2 Viola-Jones3.3 HO...转载 2019-12-30 09:20:32 · 1952 阅读 · 0 评论 -
3.深度学习目标检测算法
文章目录Two-stageOne-stageTwo-stageOne-stage原创 2019-12-25 10:46:05 · 378 阅读 · 0 评论 -
2.传统目标检测算法
文章目录1. 传统目标检测算法基本流程2. Viola-Jones3. HOG+SVM3. DPM4. NMS1. 传统目标检测算法基本流程2. Viola-Jones3. HOG+SVM3. DPM4. NMS原创 2019-12-25 10:17:58 · 1810 阅读 · 0 评论 -
1.目标检测概述
文章目录一、 目标检测常用算法(基本流程,网络设计,训练技巧)二、 目标检测算法常见的开发流程三、目标检测问题定义四、目标检测问题方法参考一、 目标检测常用算法(基本流程,网络设计,训练技巧)SSD系列算法(基本流程,Default box,Prior box,样本构造,数据增强,损失函数,SSD变种,网络性能对比,实验结果分析,不同算法优缺点,应用场景等)YOLO系列算法(基本流程...原创 2019-12-25 09:50:51 · 717 阅读 · 0 评论