目标检测基础

最新推荐文章于 2024-05-26 09:39:36 发布
最新推荐文章于 2024-05-26 09:39:36 发布
阅读量910 收藏 4
点赞数
文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yiyayiya557/article/details/108013858
版权

参考文章

22 款神经网络的设计和可视化工具【转载】

https://blog.csdn.net/zong596568821xp/article/details/107283252

github如何查看项目历史版本

https://www.jianshu.com/p/feef717fb52b

超越EfficientNet！MutualNet：一种自适应相互学习网络宽度和分辨率的网络

https://blog.csdn.net/weixin_47196664/article/details/107588014

PyTorch image models, scripts, pretrained weights -- (SE)ResNet/ResNeXT, DPN, EfficientNet, MixNet, MobileNet-V3/V2, MNASNet, Single-Path NAS, FBNet, and more

https://github.com/rwightman/pytorch-image-models

OpenMMLab Detection Toolbox and Benchmark，不断优化的目标检测系列项目

https://github.com/open-mmlab/mmdetection

PyImageSearch - You can master Computer Vision, Deep Learning, and OpenCV.——国外项目

https://www.pyimagesearch.com/

【AI不惑境】深度学习中的多尺度模型设计

https://www.jianshu.com/p/57cfa4fdd423

如何自己打造一个深度学习服务器？ - 知乎

https://zhuanlan.zhihu.com/p/40306143

The Open Images dataset，针对大场景，多标签，多目标

https://github.com/openimages/dataset

模型优化挂件，由YOLOv4启发

解读Squeeze-and-Excitation Networks（SENet）

https://www.jianshu.com/p/59fdc448a33f

Code for "Jointly Optimize Data Augmentation and Network Training: Adversarial Data Augmentation in Human Pose Estimation" (CVPR 2018)，对抗数据增强，YOLOv4中采用

https://github.com/zhiqiangdon/pose-adv-aug

目标检测特殊层：PSROIPooling详解

https://blog.csdn.net/wfei101/article/details/80766812

Focal Loss理解，RetinaNet中提出

https://www.cnblogs.com/king-lps/p/9497836.html

Focal loss论文详解

https://zhuanlan.zhihu.com/p/49981234

Deformable Convolution Networks[译]

https://www.jianshu.com/p/940d21c79aa3

【论文复现】CBAM: Convolutional Block Attention Module，YOLOv4中采用

https://blog.csdn.net/u013738531/article/details/82731257

实例分割--(PANet)Path Aggregation Network for Instance Segmentation，YOLOv4采用

https://blog.csdn.net/u011974639/article/details/79595179

增强CNN学习能力的Backbone:CSPNet，YOLOv4采用

https://blog.csdn.net/DD_PP_JJ/article/details/105094761

EfficientDet-BiFPN，YOLOv4采用

https://blog.csdn.net/qq_36808245/article/details/103603020

模型蒸馏

CNN channel pruning, LeGR, MorphNet, AMC. Codebase for paper "LeGR: Filter Pruning via Learned Global Ranking"，剪枝，求秩

https://github.com/cmu-enyac/LeGR

【DL】模型蒸馏Distillation

https://zhuanlan.zhihu.com/p/71986772

multi-teacher学习

https://blog.csdn.net/yagreenhand/article/details/104394008

剪枝

基于MobileNetV3的结构性剪枝优化 - 道客巴巴

http://www.doc88.com/p-13647389770455.html

网络压缩-2，剪枝，3、量化，4、降低数据数值范围 ，5、迁移学习

https://blog.csdn.net/J_Boom/article/details/87933448

清华&伯克利ICLR论文：重新思考6大剪枝方法

https://www.sohu.com/a/270464822_100024677

模型通道剪枝汇总（channel pruning），总结的好，有翻译，有代码，有论文，有工具

https://blog.csdn.net/qq_38109843/article/details/107462887

网络模型剪枝-论文阅读《Pruning Filters For Efficient Convnets》

https://blog.csdn.net/AManFromEarth/article/details/106888694

yolov3通道剪枝层剪枝知识蒸馏：无人机数据集案例

https://blog.csdn.net/weixin_41397123/article/details/103828931

论文阅读【模型剪枝（二）】

https://blog.csdn.net/weixin_38632246/article/details/95975928

目标追踪数据集

伯克利发布BDD100K：目前最大规模开放驾驶视频数据集

https://baijiahao.baidu.com/s?id=1602056615202328671&wfr=spider&for=pc

航空航天遥感图像目标检测数据集汇总

https://blog.csdn.net/weixin_36670529/article/details/84580431

最新的无人机视觉综述，数据集VisDrone现已开源

https://zhuanlan.zhihu.com/p/103582224

注意力机制

详解深度学习中“注意力机制”

https://www.jianshu.com/p/9b922fb83d77

注意力机制最新综述解读

https://blog.csdn.net/shenziheng1/article/details/89323074

空间域和通道域注意力机制

https://blog.csdn.net/zfnice/article/details/94998471

【论文复现】CBAM: Convolutional Block Attention Module

https://blog.csdn.net/u013738531/article/details/82731257

注意力机制CBAM代码实现（续篇）

https://blog.csdn.net/qq_43265072/article/details/106058693

多标签问题

分类问题-----多标签（multilabel）、多类别（multiclass）

https://blog.csdn.net/qq_27009517/article/details/80264919

深度学习---多标签分类问题

https://blog.csdn.net/qq_38906523/article/details/80210527

多类分类问题实现（np_utils.to_categorical函数使用）

https://www.cnblogs.com/lhuser/p/9073012.html

人体姿态估计，密集链接

卷积神经网络的网络结构——Hourglass

https://blog.csdn.net/u013841196/article/details/81048237

深度学习模块介绍 —— Hourglass Module

https://blog.csdn.net/BeBuBu/article/details/102935262

CenterNet的骨干网络之DLASeg

https://blog.csdn.net/DD_PP_JJ/article/details/107833023

Code for the CVPR Paper "Deep Layer Aggregation"——DLA网络

https://github.com/ucbdrive/dla

cvpr2018 Deep Layer Aggregation（DLANet）

https://blog.csdn.net/wuyubinbin/article/details/80622762

Deep Layer Aggregation笔记

https://blog.csdn.net/weeeeeida/article/details/88106665

CenterNet(Objects as points)代码解析，好读好用

https://github.com/zzzxxxttt/pytorch_simple_CenterNet_45

大神CSDN：https://blog.csdn.net/DD_PP_JJ

pytorch版CenterNet训练自己的数据集

https://blog.csdn.net/DD_PP_JJ/article/details/107715634

CenterNet 数据加载解析

https://blog.csdn.net/DD_PP_JJ/article/details/107691811

CenterNet骨干网络之hourglass

https://blog.csdn.net/DD_PP_JJ/article/details/107715399

CenterNet的骨干网络之DLASeg

https://blog.csdn.net/DD_PP_JJ/article/details/107833023

CenterNet之loss计算代码解析

https://blog.csdn.net/DD_PP_JJ/article/details/108065543

CenterNet测试推理过程

https://blog.csdn.net/DD_PP_JJ/article/details/108350727

SSD和RetinaFace的代码解析，棒！

Pytorch-RetinaFace 详解，biubug6/Pytorch_Retinaface

https://zhuanlan.zhihu.com/p/157297085

【SSD算法】史上最全代码解析-核心篇，基于ssd.pytorch

https://zhuanlan.zhihu.com/p/79854543

目标检测算法之NMS后处理相关

https://mp.weixin.qq.com/s/orYMdwZ1VwwIScPmIiq5iA

SSD-pytorch和RetinaFace-pytorch移植到NCNN和android上：

ssd.pytorch to ncnn，较符合pytorch版本的代码移植需求

https://github.com/xuming0629/ncnn_ssd

MobileNet-SSD Face Detection by ncnn，可参考模型导入结构

https://github.com/imistyrain/ncnn_face

mobilenet ssd @ ncnn，使用较早版本的ncnn，有一些参考意义

https://github.com/arlose/ncnn-mobilenet-ssd

using ncnn, on android, detection, model size only 11MB, 10fps on 845/cpu，结合ncnn和SSD移植到android

https://github.com/JuZiSYJ/MobilenetSSD_Android

Anchor-free网络：

Object detection, 3D detection, and pose estimation using center point detection:——开创性工作，好

https://github.com/xingyizhou/CenterNet

CenterNet的骨干网络之DLASeg

https://blog.csdn.net/DD_PP_JJ/article/details/107833023

tensorboy/centerpose: Push the Extreme of the pose estimation

https://github.com/tensorboy/centerpose

目标检测anchor free系列检测器简介：CornerNet,CenterNet

https://zhuanlan.zhihu.com/p/104573037

论文也撞衫，你更喜欢哪个无锚点CenterNet？

https://baijiahao.baidu.com/s?id=1644905321397514137&wfr=spider&for=pc

CenterNet-FSAF-NMS-single-object

https://github.com/ZY-Russell/CenterNet-FSAF-NMS-single-object

扔掉anchor！真正的CenterNet——Objects as Points论文解读

https://zhuanlan.zhihu.com/p/66048276

Corner-based对象检测算法三连之——长江后浪MatrixNet

https://www.jianshu.com/p/c94935bab3f8

《FCOS: Fully Convolutional One-Stage Object Detection》阅读笔记

https://blog.csdn.net/watermelon1123/article/details/90045300

DarkNet：

Darknet神经网络框架概述：

https://blog.csdn.net/u010122972/article/details/83541978

DarkNet和YOLO官网：

https://pjreddie.com/darknet/

https://pjreddie.com/darknet/yolo/

YOLOv4源码下载：

https://github.com/AlexeyAB/darknet

YOLO：

YOLO系列算法精讲：从yolov1至yolov4的进阶之路（呕心沥血2万字超全整理，建议收藏！）

https://blog.csdn.net/wjinjie/article/details/107509243

45.2mAP+155FPS! PP-YOLO来了， 精度速度双超YOLOv4

https://blog.csdn.net/Yong_Qi2015/article/details/107625324

YOLOv4

一张图梳理YOLOv4论文

https://blog.csdn.net/DD_PP_JJ/article/details/105744139

YOLOv4 怎么学，看完这一篇就够了！

https://blog.csdn.net/wjinjie/article/details/107445791

重磅更新！YoloV4最新论文与源码!权重！结构！翻译!

https://blog.csdn.net/sinat_39783664/article/details/105728290

重磅更新！YoloV4最新论文！解读yolov4框架

https://blog.csdn.net/Sophia_11/article/details/105726907

一张图梳理YOLOv4论文：

https://www.cnblogs.com/pprp/p/12771430.html

YOLO V4 — 网络结构解析（特详细！）

https://zhuanlan.zhihu.com/p/150127712

YOLO V4 — 损失函数解析（特详细！）

https://zhuanlan.zhihu.com/p/159209199

YOLOv3-Pytorch项目代码解析（详细），项目代码很棒

Github地址: https://github.com/ultralytics/yolov3

【从零开始学习YOLOv3】1. cfg文件解析

https://blog.csdn.net/DD_PP_JJ/article/details/105013056

【从零开始学习YOLOv3】2. YOLOv3中的代码配置和数据集构建

https://blog.csdn.net/DD_PP_JJ/article/details/104019264

【从零开始学习YOLOv3】3.YOLOv3的数据组织和处理

https://blog.csdn.net/DD_PP_JJ/article/details/104709299

【从零开始学习YOLOv3】4. YOLOv3中的参数搜索

https://blog.csdn.net/DD_PP_JJ/article/details/104709330

【从零开始学习YOLOv3】5. 网络模型的构建

https://blog.csdn.net/DD_PP_JJ/article/details/104709403

【从零开始学习YOLOv3】6. YOLOv3中的YOLOLayer解析和推理过程

https://blog.csdn.net/DD_PP_JJ/article/details/104071327

【从零开始学习YOLOv3】7. 教你在YOLOv3模型中添加Attention机制

https://blog.csdn.net/DD_PP_JJ/article/details/104109369

【从零开始学习YOLOv3】8. YOLOv3中Loss部分计算

https://blog.csdn.net/DD_PP_JJ/article/details/105173151

我们是如何改进YOLOv3进行红外小目标检测的？

https://blog.csdn.net/DD_PP_JJ/article/details/108507720

YOLOv3

An experiment of transferring backbone of yolov3 into mobilenetv3

https://github.com/tanluren/mobilenetv3-yolov3

yolov3 yolov4 channel and layer pruning, Knowledge Distillation 层剪枝，通道剪枝，知识蒸馏

https://github.com/tanluren/yolov3-channel-and-layer-pruning

YOLOv3-model-pruning，剪枝

https://gitee.com/dudu00joker/YOLOv3-model-pruning

在 oxford hand 数据集上对 YOLOv3 做模型剪枝（network slimming）

https://github.com/Lam1360/YOLOv3-model-pruning

Model Compression—YOLOv3 with multi lightweight backbones(ShuffleNetV2 HuaWei GhostNet), attention, prune and quantization，剪枝，蒸馏，量化

https://github.com/HaloTrouvaille/YOLO-Multi-Backbones-Attention

YOLOv3模型剪枝，瘦身80%，提速100%，精度基本不变

https://blog.csdn.net/dQCFKyQDXYm3F8rB0/article/details/95041551

（一）使用YOLOv3训练BDD100K数据集之数据集下载

https://www.pianshen.com/article/2479172945/

The backbone is replaced with ShuffleNet v2

https://github.com/ZhuYun97/ShuffleNetv2-YOLOv3

【ONNX】使用yolov3.onnx模型进行目标识别的实验

https://blog.csdn.net/u013597931/article/details/89412272

pytorch-yolov3训练、剪枝、转onnx/tensorrt 加速（记录性文章）

https://blog.csdn.net/hanqu3456/article/details/105492285

YOLOv3剪枝再升级！（后续可参考）

https://mp.weixin.qq.com/s?__biz=MzIwMTE1NjQxMQ==&mid=2247489169&idx=2&sn=f8b1c76a6657b8065d039df704df5913&chksm=96f364c5a184edd3bd3754854c494da4912b6fc90735ee1350ab031862aed5466881f41a68ab&scene=21#wechat_redirect

YOLOv2：

Face Paper: YOLOv2论文详解

https://blog.csdn.net/wfei101/article/details/78944891

【论文学习】YOLO9000: Better,Faster,Stronger（YOLO9000：更好，更快，更强）

https://blog.csdn.net/hysteric314/article/details/53909408

后处理技巧

NMS

一文打尽目标检测NMS——精度提升篇

https://zhuanlan.zhihu.com/p/151914931

一文打尽目标检测NMS——效率提升篇

https://zhuanlan.zhihu.com/p/157900024

IoU

目标检测回归损失函数简介：SmoothL1/IoU/GIoU/DIoU/CIoU Loss

https://zhuanlan.zhihu.com/p/104236411

IoU、GIoU、DIoU、CIoU损失函数的那点事儿

https://zhuanlan.zhihu.com/p/94799295

目标检测之 IoU

https://blog.csdn.net/u014061630/article/details/82818112

目标检测算法之AAAI 2020 DIoU Loss 已开源(YOLOV3涨近3个点)

https://cloud.tencent.com/developer/article/1558533

IoU变形代码实现

darknet with GIoU

https://github.com/generalized-iou/g-darknet

Distance-IoU Loss into YOLO v3

https://github.com/Zzh-tju/DIoU-darknet

语义分割

Detectron2入门教程

https://blog.csdn.net/weixin_36670529/article/details/104021823

One-stage网络：

SSD

MobileNetV3-SSD for object detection and implementation in PyTorch

https://github.com/shaoshengsong/MobileNetV3-SSD

Ssd.pytorch可视化实践

https://zhuanlan.zhihu.com/p/93883352

【目标检测实战】Pytorch—SSD模型训练（VOC数据集）

https://zhuanlan.zhihu.com/p/92154612

目标识别：SSD 论文及pytorch代码学习笔记

https://blog.csdn.net/zxd52csx/article/details/82795104

DSSD(Deconvolutional Single Shot Detector)算法理解

https://blog.csdn.net/zj15939317693/article/details/80599596

RetinaNet

Retinanet目标检测算法(简单,明了,易用,全中文注释,单机多卡训练,视频检测)(based on pytorch,Simple, Clear, Mutil GPU)

https://github.com/yatengLG/Retinanet-Pytorch

Pytorch implementation of RetinaNet object detection.

https://github.com/yhenon/pytorch-retinanet

Two-stage网络：

R-CNN系列算法详解：R-CNN —》Fast R-CNN —》Faster R-CNN 进阶之路

https://blog.csdn.net/wjinjie/article/details/105930512

（RegionProposal Network)RPN网络结构及详解

https://blog.csdn.net/qq_36269513/article/details/80421990

四、全卷积网络FCN详细讲解（超级详细哦）

https://blog.csdn.net/qq_41760767/article/details/97521397

全卷积网络 FCN 详解，用于语义分割

https://blog.csdn.net/tuuzhang/article/details/81004731

阿里巴巴PAI平台

FastNN提供在阿里巴巴集团的机器学习平台PAI

https://github.com/alibaba/FastNN

Alink is the Machine Learning algorithm platform based on Flink

https://github.com/alibaba/Alink

机器学习PAI-人人都用得起的机器学习平台-阿里云

https://www.aliyun.com/product/bigdata/product/learn

刚刚，阿里重磅发布机器学习平台PAI 3.0！

https://blog.csdn.net/cpongo3/article/details/89027125

yiyayiya557
关注
PyTorch深度学习实战（18）——目标检测基础
盼小辉丶的博客
09-29 3578
目标检测是计算机视觉领域中的重要任务，它旨在从图像或视频中准确地定位和识别出感兴趣的目标物体，目标是将输入图像中的目标区域框出，并为每个目标提供正确的类别标签，在许多应用领域都有广泛的应用，包括智能监控、自动驾驶、人脸识别等。在本节中，介绍了如何利用 ybat 准备训练数据集、使用 SelectiveSearch 库实现区域提议算法、对模型的预测执行非极大值抑制以及衡量模型性能。
Keras深度学习实战（13）——目标检测基础详解
盼小辉丶的博客
07-14 6241
目标检测一直是计算机视觉领域最具有挑战性的问题之一，同时也是具有广泛应用场景的任务之一。本节中，首先介绍了目标检测的基本概念，然后介绍了如何制作用于训练目标检测模型的数据集，最后讲解了如何生成候选区域和常用于目标检测模型性能评估的指标。通过介绍目标检测中的相关技术，为接下来实现目标检测算法奠定基础。.........
中心姿态：单阶段关键点驱动的类别级物体姿态估计
最新发布
gitblog_00035的博客
05-26 427
中心姿态：单阶段关键点驱动的类别级物体姿态估计 项目地址:https://gitcode.com/NVlabs/CenterPose 项目简介 CenterPose 是由林云芝等人在ICRA 2022论文《基于单一RGB图像的单阶段关键点类别级物体姿态估计》中提出的官方实现。该项目是一个单一阶段、基于关键点的方法，用于未知实例的已知类别的三维物体姿态估计。此外，它还扩展到了追踪问题，形成了Cen...
centerpose关键点模型训练
liguandong
07-25 336
其实上述这套设计是有冗余的，首先前4个参数预测了17个点，17点相对于中心点的offset，第5/6个参数相当于又预测了一波17个点，但是这样的冗余设计是有意义的，首先第5个分支直接对于点的预测置信度是更高的，但是它没法关联成一个person，这个关联要依赖分支4，因为1,2,3分支定义了一个person，分支4可以估计17个点，这17个点可以根据距离关联到5,6分支上，同样对于5，6分支没有预测的点，也可以用4分支来输出。get_model是通过config来进行配置，不用配置，直接写在一起。
0.99M，150FPS，移动端超轻量目标检测算法PP-PicoDet来了！
Python中文社区
11-20 1941
说到目标检测，那可谓当前的自动驾驶、新零售、智慧工业等热门行业中的关键技术之一。目标检测不仅在行人、车辆、商品以及火灾检测等任务中发挥着极其关键的价值，在目标跟踪、姿态识别、手势控制、图像...
BDD100K数据集入门
牛肉胡辣汤
10-20 1790
BDD100K（Berkeley DeepDrive 100K）是由伯克利深度驾驶项目团队创建的一个大规模自动驾驶数据集。它包含了具有高分辨率图像和详细标注的100,000个驾驶场景。该数据集的目标是为自动驾驶系统的开发和评估提供一个丰富并具有代表性的资源。本文将引导您如何开始使用BDD100K数据集。
yolov3 yolov4 channel and layer pruning, Knowledge Distillation 层剪枝，通道剪枝，知识蒸馏-Python开发
05-25
yolov3 yolov4 channel and layer pruning, Knowledge Distillation 层剪枝，通道剪枝，知识蒸馏 yolov3-channel-and-layer-pruning 本项目以ultralytics/yolov3为基础实现，根据论文Learning Efficient Convolutional Networks Through Network Slimming (ICCV 2017)原理基于bn层Gmma系数进行通道剪枝，下面引用了几种不同的通道剪枝策略，并对原策略进行了改进，提高了剪枝率和精度；在这些工作基础上，又衍生出了层剪枝，本身通道剪枝已经大大减小了模型参数和计算量，降低了模型对资源的占用，而层剪枝可以进一步减小了计算量，并大大提高了模型推理速度；通过层剪枝和通道剪枝结合，可以压缩模型的深度和宽度，某种意义上实现了针对不同数据集的小模型搜索。 项目的基本工作流程是，使用yolov3训练自己数据集，达到理想精度后进行稀疏训练，稀疏训练是重中之重，对需要剪枝的层对应的bn gamma系数进行大幅压缩，理想的压缩情况如下图，
《目标检测蓝皮书》第5篇 目标检测基础
YOLOv8项目贡献者
10-06 1万+
目标检测基础知识精讲
目标检测基础知识
attitude_yu
06-18 2556
1. 目标检测   “目标检测”主要解决两个问题：图像上多个目标在哪里（位置），是什么（类别） 人们一般把其发展历程分为3个阶段：    a.传统的目标检测方法    b.两阶段检测器   以R-CNN为代表的结合region proposal和CNN分类的目标检测框架(R-CNN, SPP-NET, Fast R-CNN,Faster R-CNN, R-FCN)   c. 单阶段检...
【目标检测基础】
frcbob的博客
12-10 2285
目标检测 对计算机而言，能够“看到”的是图像被编码之后的数字，但它很难理解高层语义概念，比如图像或者视频帧中出现的目标是人还是物体，更无法定位目标出现在图像中哪个区域。 目标检测的主要目的是让计算机可以自动识别图片或者视频帧中所有目标的类别，并在该目标周围绘制边界框，标示出每个目标的位置 分类 VS 检测 分类 分类问题：所属类别（用卷积网络提取特征，然后用特征预测分类概率） 图像分类流程示意图： 通过图（a），分类任务：得到最终的分类所属类别可能是动物或是斑马 检测
MMdetection在VisDrone2019上训练FCOS和CenterNet
专注“目标检测”领域技术分享
08-17 566
训练时候调用的train.py位于./tools下面。不知道要不要安装caffe?
目标检测资源汇总--持续更新
chenbo的博客
04-05 4385
①实战项目 支持剪枝、量化和知识蒸馏的YOLOV3 【特性】 1、提供多个主流目标检测数据集的预处理后文件及训练方法。 2、提供包括剪枝，量化，知识蒸馏的主流模型压缩算法实现。 3、提供多backbone训练目前包括Darknet-YOLOv3，Tiny-YOLOv3，Mobilenetv3-YOLOv3。 【目前支持功能】 正常训练 tiny训练 mobilenetv3训练 Dior数据集训练...
探索MMDetectionYOLO：一款高效且灵活的轻量级目标检测框架
gitblog_00090的博客
03-23 316
探索MMDetectionYOLO：一款高效且灵活的轻量级目标检测框架 mmyoloOpenMMLab YOLO series toolbox and benchmark. Implemented RTMDet, RTMDet-Rotated,YOLOv5, YOLOv6, YOLOv7, YOLOv8,YOLOX, PPYOLOE, etc.项目地址:https://gitcode.com/g...
自动驾驶数据集BDD训练mobileNet-SSD <1>
qq_17278169的博客
08-29 3898
自动驾驶数据集BDD训练mobileNet-SSD &lt;1&gt; 一、组织训练样本 1、json文件转换为xml文件 原始bdd数据集是json格式的标注文件，由于我使用caffe训练，所以必须要将其转化为 VOC的xml格式的标注文件。所以直接使用Python脚本将其转化为xml。bdd数据集中包含有10个类别，包括bus,light,sign,person,bike,truc...
bdd100k数据集制作用于YOLOv3训练
量子孤岛
08-09 4018
这篇博文主要记录了将bdd100k数据集整理成yolo模型的要求来训练。这里的数据格式并非官网的darknet格式，而是一般的模型格式： 以图片名作为ＴＸＴ名称 将同一幅图中的ｌａｂｅｌ和对应的ｂｏｕｎｄｉｎｇ　ｂｏｘ整理在同一个ｔｘｔ中。 bdd100k数据集介绍 1.Annotations 1、 道路目标边界框：10万张图片，其中：训练集7万，测试集2万，验证集1万 2、 可行驶区域：1...
（三）使用YOLOv3训练BDD100K数据集之开始训练
Xavier丶
01-15 8062
目录 1 准备bdd100k.names文件 2 准备bdd100k.names文件准备bdd100k.data 3 准备yolov3-bdd100k.cfg 4 下载ImageNet预训练的网络参数 5 训练模型 6 测试一张图片 7 测试一个视频 8 测试网络摄像头输入 9 中断后继续训练模型 经过前面两篇博客（（一）使用YOLOv3训练BDD100K数据集之数据集下载 和（二）使用YOL...
自动驾驶数据集BDD训练mobileNet-SSD 2.md
qq_17278169的博客
09-26 1490
自动驾驶数据集BDD训练mobileNet-SSD &lt;2&gt; 这次的博客准备接着上次的结果来写的，但是结果非常的不好，那这里就当作是上次的总结吧 mobileNet-ssd 在BDD数据集上训练收敛不了，尝试了很多方法，loss一直在7.0左右，降不下去。 可能的原因： 1,BDD数据集中存在dirty的数据，需要进行数据清洗。例如BDD中夜间的标注，很多人眼根本分辨不出来是什么东西的标...
Mobilenet-SSD的Caffe系列实现
热门推荐
Jesse_Mx的博客
11-30 4万+
先引出题目，占个坑，以后慢慢填。 mobilenet 也算是提出有一段时间了，网上也不乏各种实现版本，其中，谷歌已经开源了Tensorflow的全部代码，无奈自己几乎不熟悉Tensorflow，还是比较钟爱Caffe平台，因而一直在关心这方面。 单纯的Mobilenet分类不是关注重点，如何将其应用到目标检测网络才是关键，目前基本看好的思路就是Mobilenet+SSD，github上已经有至
2.关于剪枝算法的分类和论文整理
aclearboy唐三
06-11 1万+
关于剪枝的分类2 上次列举了剪枝的分类，分别列举了可以从那几个方面对模型进行剪枝，这里从另一个方向上更宏观地对剪枝进行分类。进行了成体系的剪枝论文整理，并对Pruning Filter In Filter, NIPS2020这篇论文做了详细分析。 前言 剪枝可以分为结构化剪枝和非结构化剪枝剪枝可以分为结构化剪枝和非结构化剪枝，剪枝可以分为结构化剪枝和非结构化剪枝。 结构化剪枝就是对原有网络的channel级或者layer级进行剪枝，非结构化剪枝就是剪去的并不足以组成一个结构。
红外弱小目标检测基础知识
09-08
红外弱小目标检测是指在红外图像中检测和识别出目标物体，特别是那些具有较低热辐射的小目标。这些小目标通常难以被肉眼或常规的图像处理算法直接检测到。 红外图像是通过测量物体的热辐射产生的图像。与可见光图像不同，红外图像可以在低光或天气恶劣条件下进行检测，因为它们不依赖于外部光源。 红外弱小目标检测通常包括以下步骤： 1. 预处理：对红外图像进行预处理，如去噪、增强对比度等，以提高后续处理的效果。 2. 目标检测：使用特定的算法或技术来检测红外图像中的目标。常见的目标检测算法包括基于模板匹配、基于特征提取的方法（如Haar特征、HOG特征等）以及基于深度学习的方法（如卷积神经网络）。 3. 目标识别：对检测到的目标进行分类和识别。这一步骤通常涉及使用机器学习或深度学习模型进行目标分类。 4. 目标跟踪：对于视频流中的红外图像，可以采用目标跟踪算法来跟踪目标的运动轨迹，以便实时监测目标。 红外弱小目标检测在军事、安防、无人机等领域有广泛的应用。它可以帮助提高目标检测的准确性和可靠性，以便更好地满足各种实际需求。
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