Yolo4学习

最新推荐文章于 2024-08-06 16:18:03 发布

chears

最新推荐文章于 2024-08-06 16:18:03 发布

阅读量905

点赞数

分类专栏：人工智能

本文链接：https://blog.csdn.net/weixin_43749019/article/details/107155826

版权

这篇博客详细介绍了如何在Ubuntu16.04上使用Python和Keras实现YoloV4物体识别。从下载YoloV4-Keras包、转换yolov4.weights的h5模型，到基于Keras进行物体识别的步骤，包括数据图片准备和运行测试，以及YoloV3的下载编译、权重文件获取和物体识别的测试过程，提供了全面的操作指南。

摘要由CSDN通过智能技术生成

Python语言学习-----Ubuntu16.04上基于YoloV4 的Keras物体识别目录

一、YoloV4-Keras包的下载
1、下载
2、yolov4.weights下载
3、VOC训练集、测试集下载
二、yolov4.weights的h5模型转换
1、修改包中convert.py代码内容
2、权重转换模型
三、基于YoloV4 的Keras物体识别
1、修改test.py代码
2、数据图片准备，百度一张小车图片，放进YoloV4-Keras包
3、终端运行测试
四、扩展一----5h模型训练
1、修改voc_annotation.py文件
2、修改train.py
3、进行模型训练
五、扩展二----YoloV3的物体识别
1、YoloV3下载编译
2、下载YoloV3权重文件
3、测试

随着深度学习的发展，目前已经出现了很多算法（或者训练技巧，tricks）来提升神经网络的准确率。在实际测试中评价一个算法的好坏优劣主要看两点，一是能否在大规模的数据集中起作用（work），二是是否有理论依据。一些算法仅能在某些特定的模型上或者某类特定的问题上运行，亦或是适用于一些小规模的数据集。然而，还有一些算法，例如batch normalization（BN）或者残差连接（residual-connections）已经被用在了不同的模型，任务以及不同的数据集中，已经被充分的证明了这些算法的普适性，是一个general的算法。我们假设这样的general（or universal）的算法包括Weighted-residual-