![](https://img-blog.csdnimg.cn/direct/93088df96bec428daa227c6ebb95194d.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
目标检测
文章平均质量分 76
目标检测算法介绍
MiltonY
这个作者很懒,什么都没留下…
展开
-
“[...]“、“[::]“与torch.cat的解析(YOLOv5 Focus common.py)
"[...]"、"[::]"与torch.cat的解析YOLOv5中common.py的函数Focus.forward,返回为self.conv(torch.cat([x[..., ::2, ::2], x[..., 1::2, ::2], x[..., ::2, 1::2], x[..., 1::2, 1::2]], 1)),这句话的解析。def forward(self, x): # x(b,c,w,h) -> y(b,4c,w/2,h/2) return self.conv(原创 2021-03-18 20:18:18 · 844 阅读 · 3 评论 -
YOLOv6、YOLOv7、YOLOv8网络结构图(清晰版)
YOLO系列网络结构图原创 2024-02-26 23:51:18 · 4928 阅读 · 16 评论 -
YOLOX训练代码分析3-损失函数
yolox构建模型时,是通过yolox_base.py中的get_model函数获取,其中分成两部分YOLOXPAFPN与YOLOXHead两个类,由YOLOX加载封装整个网络。if getattr(self, "model", None) is None: # 该对象中是否存在model属性,默认值为None,设置成模型 in_channels = [256, 512, 1024] backbone = YOLOPAFPN(self.depth, self.width, in_cha原创 2021-10-11 12:01:41 · 16605 阅读 · 22 评论 -
YOLOX训练代码分析2-trainer.py
1. yolox网络构建(1) 网络加载通过tools/train.py中main函数get_exp构建网络,其中get_exp可以通过名称与文件获取网络模型与参数。if exp_file is not None: return get_exp_by_file(exp_file) # 通过文件获取模型参数else: return get_exp_by_name(exp_name) # 通过名称获取模型参数get_exp_by_name最终是调用get_exp_by_fil原创 2021-10-08 15:30:31 · 3155 阅读 · 6 评论 -
YOLOX训练代码分析1-COCO与VOC训练
1. YOLOX的网络结构图与代码YOLOv3、YOLOv4、YOLOv5、YOLOx的网络结构图(清晰版)_YMilton的专栏-CSDN博客((1) 网络结构图(2) yolox代码URL:https://github.com/Megvii-BaseDetection/YOLOX.git2. yolox如何训练coco数据(1) 第一步:yolox...原创 2021-09-30 17:35:30 · 3152 阅读 · 5 评论 -
YOLOv3、YOLOv4、YOLOv5、YOLOx的网络结构图(清晰版)
YOLO系列网络结构图2. Yolov4网络结构图3. Yolov5网络结构图4. Yolox网络结构图原创 2021-09-13 16:03:52 · 43024 阅读 · 81 评论 -
BBox边界框损失函数演进
边界框损失计算的演进边界框回归损失近些年的发展过程:1. MSE Loss2. IoU Loss计算IoU交并比示意图如图,蓝色为真实目标框,橘红色为预测目标框。IoU Loss存在的问题,存在检测框大小相同,重叠区域面积相等的情况(IoU相等),无法区分不同相交情况。3. GIoU Loss为了改进IoU Loss存在的问题,提出了GIoU方法。GIoU Loss的计算公式其中 表示真实框与预测框的最小闭包区域面积,即外接矩形面积。...原创 2021-09-02 18:58:42 · 1494 阅读 · 0 评论 -
yolov4与yolov5的区别
不同点:1. yolov4采用了较多的数据增强方法(图像增强方法(Data Augmentation)_YMilton的专栏-CSDN博客,博客中方法都使用),而yolov5进行了3中数据增强:缩放、色彩空间调整与Mosaic数据增强。2. yolov5锚点框是基于训练数据集自动学习的,而yolov4没有自适应锚点框。3. yolov5采用的激活函数包括leakyReLU和Sigmoid,yolov5的中间隐藏层使用的是leakyReLU激活函数,最后的检测层使用的是Sigmoid激活函数。而y原创 2021-09-02 09:54:32 · 18899 阅读 · 0 评论 -
目标检测图像增强方法(Data Augmentation)
1. 图像遮挡1.1 Random Erase用随机值或训练集的平均像素替换图像区域。Paper: Random Erasing Data Augmentation URL: https://arxiv.org/pdf/1708.04896.pdf1.2 Cutout仅对CNN第一层的输入图像使用随机剪切框Mask。Paper:Improved Regularization of Convolutional Neural Networks with Cutout...原创 2021-09-01 16:05:21 · 5393 阅读 · 1 评论 -
YOLOX环境搭建与运行效果
通过git clone git@github.com:Megvii-BaseDetection/YOLOX.git或者下载方式获得旷世在github上共享的工程文件。1. 虚拟环境创建通过如下命令在conda下创建用于工程YOLOX的虚拟环境,假设虚拟环境为yoloxconda create -n yolox python=3.8然后通过命令conda activate yolox进入yolox虚拟环境,接着下面的安装。2. pycocotools的安装在Linux环境下安装原创 2021-08-16 23:47:47 · 3369 阅读 · 1 评论 -
YOLOX采用的最新技术
YOLOX检测器的锚框:采用anchor-free的方式,以及使用例如网络头解耦(decoupled head),与以标签分配策略为主导(leading label assignment strategy SimOTA)的技术生成网络模型。YOLOX使用的相关技术论文1.anchor-free detectors: (1) Hei Law and Jia Deng. Cornernet: Detecting objects as paired keypoints. In ECCV, 2...原创 2021-08-06 14:49:22 · 508 阅读 · 0 评论 -
coco数据集的理解
coco数据集的理解一键式下载:https://github.com/pjreddie/darknet/tree/master/scripts/get_coco_dataset.sh,然后在Linux环境下运行.sh文件。1. coco数据集下载地址(1) 图像集下载地址训练图像集:https://pjreddie.com/media/files/train2014.zip验证图像集:https://pjreddie.com/media/files/val2014.zip(2) 图像原创 2021-04-14 16:53:19 · 1414 阅读 · 1 评论 -
评估计算recall、precision、AP、F1、mAP(PyTorch-YOLOv3代码解析二)
目标检测评估计算(Python+Pytorch)代码github地址:https://github.com/eriklindernoren/PyTorch-YOLOv31. 检测的评估函数# reference: https://github.com/eriklindernoren/PyTorch-YOLOv3/blob/f917503ffe4a21d2b1148d8cb13b89b834517d76/utils/utils.pydef ap_per_class(tp, conf, pre原创 2021-04-13 11:44:03 · 6422 阅读 · 8 评论 -
非极大值抑制(PyTorch-YOLOv3代码解析一)
目标检测中的非极大值抑制之代码解析(Python)1. 非极大值抑制函数代码# reference: https://github.com/eriklindernoren/PyTorch-YOLOv3/blob/f917503ffe4a21d2b1148d8cb13b89b834517d76/utils/utils.pydef non_max_suppression(prediction, conf_thres=0.5, nms_thres=0.4): """ 剔除目标置信度小原创 2021-04-09 15:30:07 · 1619 阅读 · 0 评论