目标检测
文章平均质量分 87
xjunjin
这个作者很懒,什么都没留下…
展开
-
2021SC@SDUSC山东大学软件学院软件工程应用与实践--YOLOV5代码分析(十三)metrics.py-1
2021SC@SDUSC 前言 这篇分析metrics.py文件,这个文件是用来计算评估指标,包括mAP、混淆矩阵、IOU相关的函数。 fitness函数 def fitness(x): # Model fitness as a weighted combination of metrics w = [0.0, 0.0, 0.1, 0.9] # weights for [P, R, [email protected], [email protected]:0.95] return (x[:, :4] * w).原创 2021-11-22 17:54:52 · 2347 阅读 · 1 评论 -
2021SC@SDUSC山东大学软件学院软件工程应用与实践--YOLOV5代码分析(十二)yolov3
2021SC@SDUSC 前言 为了更好的理解yolov5的代码,我在代码解析的中间穿插进其他系列的yolo,此篇介绍yolov3。 yolov3论文地址https://pjreddie.com/media/files/papers/YOLOv3.pdf The Deal yolov3借鉴了许多其他方法,并且训练了一个更好的分类器。 Bounding Box Prediction 和yolov2一样,yolov3用dimension clusters来作为anchor boxes,对每个b原创 2021-11-21 16:53:41 · 1480 阅读 · 0 评论 -
2021SC@SDUSC山东大学软件学院软件工程应用与实践--YOLOV5代码分析(九)yolov2
2021SC@SDUSC 前言 为了对yolov5有更好的理解,在分析yolov5的代码中间我会穿插yolo系列其它的理论讲解,本篇介绍yolov2. yolov2论文https://arxiv.org/abs/1612.08242 yolov1作为one-stage目标检测的开山之作,速度快是一大优势,可以实时完成,但是由于定位不够准确,recall较低,因此yolov2在其基础上做了改进 Batch Normalization batch normalization是对一个batch里.原创 2021-11-02 19:57:17 · 225 阅读 · 0 评论 -
2021SC@SDUSC山东大学软件学院软件工程应用与实践--YOLOV5代码分析(六)yolov1
2021SC@SDUSC 前言 为了更好地理解yolov5的算法,我会在对代码分析的中间穿插yolo其它系列的算法分析,这篇是对yolov1的介绍。之前的文章提到了滑动窗口来进行目标检测,然而存在着一定的问题:检测效果与时间耗费上的tradeoff。yolo算法,即you only look once,解决了这个问题。yolo算法是一种实时的目标检测算法,一个特点就是实现端到端的检测。相对于其它目标检测与识别方法,yolo将目标区域预测和目标类别预测整合于单个神经网络模型中,更适合应用环境。 实现原创 2021-10-20 17:13:55 · 812 阅读 · 0 评论 -
2021SC@SDUSC山东大学软件学院软件工程应用与实践--YOLOV5代码分析(三)滑动窗口卷积
2021SC@SDUSC 前言 为了对算法有更好的理解,在对代码进行解读的同时我会对其它yolo算法以及其它目标检测算法进行一个简单的解读。滑动窗口卷积是传统的目标检测算法。 从简单的二分类说起 假设我们现在有一张图片 我们的任务是判断这张图片里有没有车,如果有车就输出1,没有则输出0。将这张图片作为输入,给到卷积神经网络里,网络会自动地抽取特征,通过不断的迭代下降,最终达到收敛,从而可以识别这是不是一辆车。这样的任务里通常要识别的物体占据了图片的大部分。 多分类任务 在二分类任务里我们只原创 2021-10-08 22:14:49 · 512 阅读 · 0 评论