yolo_学习笔记

最新推荐文章于 2023-06-05 21:45:53 发布
最新推荐文章于 2023-06-05 21:45:53 发布
阅读量200 收藏
点赞数
分类专栏： 学习笔记 文章标签： python 深度学习 c++
原文链接：https://www.bilibili.com/video/BV15w411Z7LG?p=6
版权

1.v1目标检测

 2.预测阶段（前向推断）

 s=7，b=2,7x7x30为7x7个grid cell,30为5+5+20，5为4+1，grid cell中心点坐标，dounding box的长宽，与置信度，20为物体预测概率。

3.预测阶段 后处理 从最大概率的dounding box 开始，逐个比较，设置一个值，为两个dounding box的重合值，大于则将小概率的db置为0.

 

4.训练阶段（反向传播） 

 人为选框，训练目标尽可能拟合框。

 

5.v4实例演示

5.1.1 pytorch-yolov4代码下载

        https://github.com/Tianxiaomo/pytorch-YOLOv4

5.1.2 权重（weights）模型下载

通过如下百度网盘链接进行权重文件下载，下载链接如下：（提取码：g0ju）
        https://pan.baidu.com/s/1ZNK7FbqC2TlVKukQFqGYSw
或者谷歌云盘下载
        https://drive.google.com/open?id=1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT

5.1.3下载pytorch

        https://pytorch.org/

5.2 测试

打开cmd，激活搭建的环境，在进入到你解压的文件目录下，然后用如下命令，确保每一个文件都在对应的文件夹下（yolov4.cfg在cfg文件夹下，yolov4.weights在weight文件夹下，dog.jpg在data文件夹下）

python demo.py -cfgfile cfg/yolov4.cfg -weightfile weight/yolov4.weights -imgfile  data/dog.jpg

注意：1、若没有gpu，打开demo.py文件，将use_cuda=True改为False，

文件夹下面就多了一个图片文件，咱们可以重新命名predictions_yolov4.jpg，否则你测试另外一个图片，这个就会被覆盖。之后可以在测试另外一个图片，命令如下：

python demo.py cfg/yolov4.cfg weight/yolov4.weights data/giraffe.jpg

测试结果

 

 

被拐走的空想
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
机器学习笔记 - YOLO-NAS 最高效的目标检测算法之一
学以致用 知行合一
08-04 2415
YOLO（You Only Look Once）是一种对象检测算法，它使用深度神经网络模型，特别是卷积神经网络，来实时检测和分类对象。该算法首次在 2016 年由 Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi 发表的论文《You Only Look Once: Unified, Real-Time ObjectDetection》中被引入。
yolo v3学习笔记
qq_32244493的博客
09-23 386
目录1、基本网络2、YOLO V3网络结构参考 1、基本网络 YOLO V3采用了名为Darknet-53的网络结构(如上图)，之所以是53，是因为含有53个卷积层，最后的Connected是全连接层也是卷积层。按照下图计算层数：(2+1∗2+1+2∗2+1+8∗2+1+8∗2+1+4∗2+1)=53(2+1*2+1+2*2+1+8*2+1+8*2+1+4*2+1)=53(2+1∗2+1+2∗2+1+8∗2+1+8∗2+1+4∗2+1)=53。 每个卷积层后面都会跟一个BN层和一个LeakyReLU层。卷
第七周周三 配置pytorch环境，运行YOLO v4
weixin_45487732的博客
04-14 479
昨天安装好了vscode，今天配置它的环境来运行yolo。 首先在anaconda里创建一个新的环境——pytorch，并激活环境： conda create -n pytorch python==3.6 #环境名:pytorch,py版本3.6 activate pytorch 之后配置下载源 # 配置国内源，方便安装Numpy,Matplotlib等 conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/p
YOLO-V4（01）预测代码解析
qq_45752541的博客
11-07 1915
源码地址：https://github.com/bubbliiiing/yolov4-pytorch 博客地址：https://blog.csdn.net/weixin_44791964/article/details/106214657 分析一下自己关于yolo的预测过程 文章目录前言一、预测文件predict.py二.yolo.py三.yolo4.py（包含YoloBody类）四.darknet53五、yolo.detect_image(image)1. letterbox_image（用到image.
yolov3之pytorch源码解析_YOLOv3最全复现代码合集（含PyTorch/TensorFlow和Keras等）
weixin_39653733的博客
12-21 433
前言很多项目的star数量在2019年都有很大的变化，同时有的库应该还在持续更新，期间也有TensorFlow2的推出，因此这版整理已加入TF2-YOLOv3。要知道YOLO系列官方源码都是用 C 语言编写的，代码太"硬核"，很多人习惯用Python搞事情，所以网上出现了各种基于 xxx 框架的 YOLOv3复现版本。本文将基于不同深度学习框架的 YOLOv3 复现代码进行汇总(自认为还不错的复现...
coco 数据集_PyTorch版YOLOv4更新了，适用于自定义数据集
weixin_39540023的博客
11-21 431
机器之心报道作者：陈萍距离YOLO v4 的推出，已经过去 5 个多月。YOLO 框架采用 C 语言作为底层代码，这对于惯用 Python 的研究者来说，实在是有点不友好。因此网上出现了很多基于各种深度学习框架的 YOLO 复现版本。近日，就有研究者在 GitHub 上更新了基于 PyTorch 的 YOLOv4。从今年 4 月 YOLOv4 发布后，对于这个目标检测框架，问的最多的问题或许就是：...
pytorch 配置opencv_YOLO v4来了！各种新实现、配置、测试、训练资源汇总
weixin_39952502的博客
11-21 282
图灵TOPIA作者：CV君来源：我爱计算机视觉图灵联邦编辑部两个月前，YOLO 之父 Joseph Redmon决定退出计算机视觉领域。就在所有人都以为再也等不到YOLO v4 的时候，它却在近日悄无声息地出现了。这一目标检测神器出现了新的接棒者！以下视频为 YOLO v4 在驾驶环境的测试结果：生成上述视频的命令：./darknet.exedetectordemo../../c...
YOLO学习笔记
yyangzhenjie的博客
05-30 338
检测的基础知识： 在介绍Yolo算法之前，首先先介绍一下滑动窗口技术，这对我们理解Yolo算法是有帮助的。采用滑动窗口的目标检测算法思路非常简单，它将检测问题转化为了图像分类问题。其基本原理就是采用不同大小和比例（宽高比）的窗口在整张图片上以一定的步长进行滑动，然后对这些窗口对应的区域做图像分类，这样就可以实现对整张图片的检测了，如下图3所示，如DPM就是采用这种思路。但是这个方法有致命的缺点，就...
keras yolo v3调用笔记本本地摄像头实时监测
markwentian的博客
09-08 6050
最近在学习yolo v3，下载了yolo的keras版本，按照工程里readme中将权重下载，运行Convert后，可以进行yolo的图像检测， 图像检测命令： python yolo_video.py --image，然后在提示下输入图片路径即可实现本地图片检测。 本地视频检测： python yolo_video.py xxx.mp4即可实时检测本地视频。 然后，想用笔记本的自带摄像头进行...
YOLO技术概要学习笔记1——什么是YOLO
JAMES费的空间
06-05 829
实时物体检测已经成为众多邻域应用的关键组成部分，这些领域包括：自动驾驶车辆、机器人、视频监控和增强现实等。在众多物体检测算法中，近年来，YOLO（You Only Look Once）框架以其卓越的速度和准确性脱颖而出，实际证明能够快速可靠地识别图像中的物体。自诞生以来，YOLO经过了多次迭代，每个版本都在前一版本的基础上进行改进，不断在提高性能，截至本文发稿，YOLO框架从V1已经更新到了v8。
YOLO v1学习笔记
XiaoQxin666的博客
05-13 375
Yolo学习记录
Yolo v4--pytorch版本多图测试
helloworld_Fly的博客
07-30 1553
Pytorch版 Yolo v4: https://github.com/Tianxiaomo/pytorch-YOLOv4 COCO数据集预训练模型 yolov4.pth(https://pan.baidu.com/s/1ZroDvoGScDgtE1ja_QqJVw Extraction code:xrq9) yolov4.conv.137.pth(https://pan.baidu.com/s/1ovBie4YyVQQoUrC3AY0joA Extraction code:kcel) 配置环境 con
yolo v4 python_YOLOv4在Windows上编译 DLL 库 之后通过python调用
weixin_39815943的博客
12-09 346
在Windows上使用build.ps1或darknet使用cmake或建立编译build\darknet\yolo_cpp_dll.sln解决方案或build\darknet\yolo_cpp_dll_no_gpu.sln解决方案第二种方法直接生成exe文件，通过命令行传参使用。BuildCustomizations\CUDA 11.1.props 无法找到的问题：在 C:\Program Fi...
YOLOv4官方改进版来了！指标炸裂55.8% AP！Scaled-YOLOv4：扩展跨阶段局部网络【左侧关注下载】
11-18 6717
YOLOv4-large在COCO上最高可达55.8 AP！速度也高达15 FPS！YOLOv4-tiny的模型实现了1774 FPS！（在RTX 2080Ti上测试） 作者单位：YOLOv4原班人马（AlexeyAB等人） papers: 公号后台回复 SYOLO 获取 code： https://github.com/WongKinYiu/PyTorch_YOLOv4 1 摘要 我们展示了基于CSP方法的YOLOv4目标检测神经网络，可以上下缩放，并且适用于小型和大型网络，...
YoloV4学习
qq_44021109的博客
08-28 350
YoloV4数据集制作方法（pytorch环境 Labelimg） 激活pytorch环境 打开软件labelimg Annotations 3. 制作数据存放文件夹（图片放在photo里，标注结果放在Annotations里） 选择Open Dir打开存放原始图片的文件夹photo 选择自动保存模型 更改标注内容地址到Annotations里 快捷键说明： W：开始标注 A：上一张图片 D：下一张图片 标注内容命名 更该图片名字（右击图片） 这样就
Yolov4(pytorch)_环境配置与demo测试
半瓶子逛荡
11-12 4193
主要介绍 win10 下 yolov4_pytorch GPU 版本的环境配置和测试方法 一.前期准备 下载yolov4_pytorch源码，感谢作者！https://github.com/Tianxiaomo/pytorch-YOLOv4 下载权重： yolov4.weights 权重已经github上给出 https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights
YOLO v4
上善若水，为而不争
04-28 2322
源权重文件在Google driver上：https://drive.google.com/open?id=1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT，有245MB。 速度简单测试了下转keras后的速度，输入大小为416*416，GTX1060 要260ms左右，CPU I7-7700要1s左右，这速度不行，可能也跟转了keras的代码有关，darknet的还没跑，困了，...
yolo5学习笔记 jetson nano
最新发布
07-28
对于在Jetson Nano上学习YOLOv5的笔记，这里有一些基本步骤和注意事项： 1. 安装JetPack：首先，确保在Jetson Nano上安装了最新的JetPack软件包，它包含了必要的驱动程序和库。 2. 安装依赖项：为了运行YOLOv5，您需要安装一些依赖项，包括PyTorch、NumPy、OpenCV等。您可以使用pip或conda来安装它们。 3. 下载YOLOv5：从YOLOv5的官方GitHub存储库中下载源代码。您可以使用git clone命令来获取整个存储库。 4. 配置模型：根据您的需求选择适当的YOLOv5模型大小（如yolov5s、yolov5m等）。您还可以根据需要更改其他配置参数。 5. 下载数据集：准备您自己的数据集或使用现有的数据集进行训练。确保数据集的文件结构符合YOLOv5的要求。 6. 运行训练：运行train.py脚本来开始训练。根据您的数据集和硬件资源，可能需要调整一些训练参数（如批量大小、学习率等）。 7. 测试和推理：一旦训练完成，您可以使用test.py脚本进行模型测试，并使用detect.py脚本进行目标检测推理。 请注意，以上是一个简要的概述，您可能需要进一步查阅YOLOv5的文档和Jetson Nano的相关资源来获取更详细的指导。
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