目标检测
文章平均质量分 73
猛男技术控
苦心钻研!
勇于实践!
不负韶华!
展开
-
终于弄懂了 非极大抑制 NMS
NMS的作用就是有效地剔除目标检测结果中多余的检测框,保留最合适的检测框。以YOLOv5为例,yolov5模型的输入三个feature map的集合,加上batch的维度,也就是三维张量,即batchp0∗p0p1∗p1p2∗p2∗34confclsnum,模型输出的为相对于调整图片的xywh,然后后面就要进入后处理阶段。具体来看,模型输入为640∗640时,推理输出结果在20∗2040∗4080∗80。原创 2023-01-12 10:18:43 · 254 阅读 · 0 评论 -
YOLOFastestv2 训练自己的数据集---辛酸仨小时
注意自己创建号train和val文件夹,修改train和val文件的个数。然后得到一个txt文件,里面就是存放所有已转换的txt。第二步就是将文件分成train和test。可以提供代码、数据、以及我训练的权重。下不了的关注我公众号:猛男技术控,回复。然后修改data下的.data文件。train和val文件夹内的。这样就生成了下面这样的文件。我是训练的行人目标检测。原创 2022-11-12 20:00:00 · 2106 阅读 · 3 评论 -
labelimg标注工具使用
下载工具pip install labelimg 工具很小,下载很快这里也可以下载桌面版,直接打开就能用。工具使用一般我们会选择打开文件夹对改文件夹里的图片进行标注使用快捷键w可以选择框,然后进行标注,注意label是啥就写啥快捷键Ctrl + u加载目录中的所有图像,鼠标点击Open dir同功能Ctrl + r更改默认注释目标目录(xml文件保存的地址)Ctrl + s保存Ctrl + d复制当前标签和矩形框space将当前图像标记原创 2021-03-19 14:35:28 · 3078 阅读 · 2 评论 -
maskrcnn学习笔记
机器视觉领域的核心问题之一就是目标检测(objectdetection),它的任务是找出图像当中所有感兴趣的目标,并确定其位置和大小。作为经典的目标检测框架FasterR-CNN至今仍然是许多目标检测算法的基础,这在飞速发展的深度学习领域十分难得。而在Faster R-CNN的基础上改进的MaskR-CNN可以应用到人体姿势识别,并且在实例分割、目标检测、人体关键点检测三个任务都取得了很好的效果。因此,百度深度学习框架PaddlePaddle开源了用于目标检测的RCNN模型,从而可以快速构建强大的应.原创 2021-04-20 12:08:54 · 762 阅读 · 0 评论 -
SSD目标检测
一、简介SSD,全称Single Shot MultiBox Detector,是Wei Liu在ECCV 2016上提出的一种目标检测算法,是主要的检测框架之一,相比Faster RCNN有明显的速度优势,相比YOLO又有明显的mAP优势。SSD主要用来解决目标检测的问题(定位+分类),即输入一张待测图像,输出多个box的位置信息和类别信息;测试时,输入一张图像到SSD中,网络输出一个下tensor(多维矩阵),对该矩阵进行非极大值抑制(NMS)就能得到每个目标的位置和label信息SSD具有如下原创 2021-04-20 12:08:05 · 8408 阅读 · 4 评论 -
目标检测基础入门
目标检测基础入门一、概述(1)背景目标检测是计算机视觉和数字图像处理的一个热门方向,广泛应用于诸多领域,有重要的意义。由于深度学习的广泛运用,目标检测算法得到了较为快速的发展。(2)目标检测别研究方法主要分为两类。①基于传统图像处理和机器学习算法的目标检测主要可以表示为:目标特征提取→目标识别→目标定位。这里所用到的特征都是认为设计的,通过这些特征对目标进行识别,然后再结合相应的策略对目标进行定位。②基于深度学习的目标检测主要可以表示为:图像的深度特征提取→基于深度神经网络的目标识别与定位原创 2021-04-20 12:06:58 · 2774 阅读 · 1 评论 -
voc数据集xml文件转换为txt文件并划分训练集、测试集
如何提取voc中的某一类这里有写:https://xiaobaibubai.blog.csdn.net/article/details/115660715本代码可以将voc数据集xml文件转换为txt文件:import xml.etree.ElementTree as ETimport pickleimport osfrom os import listdir, getcwdfrom os.path import join# 改变坐标格式def convert(size, box):原创 2021-04-13 14:11:20 · 1435 阅读 · 2 评论