darknet

CNN中，增加Padding过后，为我们带来的那些负面影响。 如上图所示: 第一行为普通3x3卷积，步长1，padding 0, 第二行为普通3x3卷积，步长1，padding 1, 第三行为膨胀3x3卷积,dilation rate=3，步长1，padding 3. 上图箭头右向所指，为cnn底层在caffe 和darknet的底层实现，用c或c++，至于pytorch和tensorflow 是否也是这样实现cnn我不清楚，但是目前来讲，有效实现卷积的也就3种方式， im2col(上图) ，winograd, FFT，但是还是im2col比较常见，winograd好像是商汤最近几年提出来的，通过特殊数学计算方式，减少计算量，目前该方法被应用在腾讯移动端深度学习框架NCNN中，至于FFT，还没见到用在深度学习种。 至于为什么使用im2col,这还是贾清扬大神在写caffe时提出来的，因为图像中，一个块内的像素点在内存中是地址不连续的，所以对于同一个块内的像素想要缓存到cache上，可能出现多次内存访问，效率极低，所以设计出im2co方式，提前将需要计算的像素点放在连续地址上。 因此，对于同一图像，除了原始图像在内存中占空间，使用im2col又会消耗另一份空间。 如上图所示,对于8x8的图像: 不加padding,计算量为9x36=324, 内存消耗为8x8=64,有效内存为64

YOLO之父Joseph Redmon在今年年初宣布退出计算机视觉的研究的时候，很多人都以为目标检测神器YOLO系列就此终结。然而在4月23日，继任者YOLO V4却悄无声息地来了。Alexey Bochkovskiy发表了一篇名为YOLOV4: Optimal Speed and Accuracy of Object Detection的文章。YOLO V4是YOLO系列一个重大的更新，其在COCO数据集上的平均精度(AP)和帧率精度(FPS)分别提高了10% 和12%，并得到了Joseph Redmon的官方认可，被认为是当前最强的实时对象检测模型之一。 正当计算机视觉的从业者们正在努力研究YOLO V4的时候，万万没想到，有牛人不服。6月25日，Ultralytics发布了YOLOV5 的第一个正式版本，其性能与YOLO V4不相伯仲，同样也是现今最先进的对象检测技术，并在推理速度上是目前最强。 从上图的结果可以看出，YOLO V5确实在对象检测方面的表现非常出色，尤其是YOLO V5s 模型140FPS的推理速度非常惊艳。 YOLO V5和V4集中出现让很多人都感到疑惑，一是YOLO V5真的有资格能被称作新一代YOLO吗？二是YOLO V5的性能与V4相比究竟如何，两者有啥区别及相似之处？ 在本文中我会详细介绍YOLO V5和YOLO V4的原理，技术区别及相似之处

1. 下载预训练权重文件 YOLOv3使用在Imagenet上预训练好的模型参数（文件名称： darknet53.conv.74，大小76MB）基础上继续训练。 darknet53.conv.74下载链接： https://pjreddie.com/media/files/darknet53.conv.74 ，下载完成后放在darknet主目录。 也可以直接在darknet目录下通过wget命令下载： wget https://pjreddie.com/media/files/darknet53.conv.74 2. 准备打标工具并对自己的图片数据打标 打标工具推荐使用 labelImg，下载地址： https://github.com/tzutalin/labelImg 或 http://download.csdn.net/download/dcrmg/9974195 labelImg使用很简单，在图片的物体上画框然后给一个标签就可以了，打标结果的保存格式是xml文件。 例如对于train1.jpg，打标结果保存为train1.xml 3. xml标签文件格式转换 YOLO训练的标签文件是txt格式，需要把第2步中的xml文件转换。 1） 在darknet主目录下创建4个文件夹： trainImage、validateImage、trainImageXML 和

工具：labelimg、MobaXterm 1.标注自己的数据集。用labelimg进行标注，保存后会生成与所标注图片文件名相同的xml文件，如图。我们标注的是井盖和路边栏，名称分了NoManholeCover、ManholeCover、WarningStick共3类标签名 2.下载yolov3项目工程。按照YoLo官网下载 git clone https: //github.com/pjreddie/darknet cd darknet make 3.修改Makefile文件（文件就在下载的darknet文件夹内） vi Makefile # 打开文件 GPU=1 # 使用 GPU 训练，其他的没有用，所以没有置为 1 ，可根据自己的需要调整 CUDNN=0 OPENCV=0 OPENMP=0 DEBUG=0 make #保存并退出后，进行make才可生效，如果出现错误，自行百度。 3.准备数据集。在darknet/scripts文件夹下创建文件夹VOCdevkit（因为scripts文件夹下有voc_label.py文件，它的作用下面会说，下面创建的文件也跟它有关），根据下图在VOCdevkit文件夹下创建文件，并放入相应的数据 VOCdevkit ——VOC2007 #文件夹的年份可以自己取,但是要与你其他文件年份一致，看下一步就明白了 ————Annotations

博客主要结构 1. 如何在ubuntu18.04上安装yolo 2 .如何配置yolov3 3 .如何制作自己的训练集测试集 4 .如何在自己的数据集上运行yolov3 1. 在ubuntu18.04下安装yolov3 安装darknet 按ctrl+atl+t 打开终端， 并在终端下依次输入以下命令 git clone https://github.com/pjreddie/darknet.git cd darknet make　　 如果成功的话你会看到以下信息 mkdir -p obj gcc -I/usr/local/cuda/include/ -Wall -Wfatal-errors -Ofast.... gcc -I/usr/local/cuda/include/ -Wall -Wfatal-errors -Ofast.... gcc -I/usr/local/cuda/include/ -Wall -Wfatal-errors -Ofast.... ..... gcc -I/usr/local/cuda/include/ -Wall -Wfatal-errors -Ofast -lm.... 编译完成后键入以下命令运行darknet ./darknet 你将会看到以下输出结果 usage: ./darknet <function> 使用GPU编译（可选）

Blog ： https://blog.csdn.net/implok/article/details/95041472 步骤 ： 文字识别是AI的一个重要应用场景，文字识别过程一般由图像输入、预处理、文本检测、文本识别、结果输出等环节组成。 分类 ：文字识别可根据待识别的文字特点采用不同的识别方法，一般分为定长文字、不定长文字两大类别。 定长文字（例如 手写数字识别 、 验证码 ），由于字符数量固定，采用的网络结构相对简单，识别也比较容易； 不定长文字（例如印刷文字、广告牌文字等），由于字符数量是不固定的，因此需要采用比较复杂的网络结构和后处理环节，识别也具有一定的难度。 一、定长文字识别 定长文字的识别相对简单，应用场景也比较局限，最典型的场景就是验证码的识别。由于字符数量是已知的、固定的，因此，网络结构比较简单，一般构建3层卷积层，2层全连接层便能满足“定长文字”的识别。 手写数字识别 MNIST是一个经典的手写数字数据集，来自美国国家标准与技术研究所，由不同人手写的0至9的数字构成，由60000个训练样本集和10000个测试样本集构成，每个样本的尺寸为28x28，以二进制格式存储，如下图所示： MNIST手写数字识别模型的主要任务是：输入一张手写数字的图像，然后识别图像中手写的是哪个数字。 该模型的目标明确、任务简单，数据集规范、统一，数据量大小适中

　　Yolo算法，在进行模型训练时，常常使用VOC数据格式。 　　将图片文件复制到JPEGImages目录下，需要对文件名进行VOC标准格式编号重命名，如2020_000001.jpg，2020_000002.jpg，这样便于voc_label.py来进行后续处理。 　　这个工作如果手工作业，是个体力活。因此使用python脚本来做，可以重复使用。 　　python脚本如下，文件名为renamefiles.py。 1 # -*- coding:utf-8 -*- 2 ​ 3 # 读取指定目录，并将指定后缀的文件名重命名为yyyy_+6位数字编号的文件 4 ​ 5 import sys,os,string 6 import getopt 7 ​ 8 opts, args = getopt.getopt(sys.argv[1:], " hi:p: " , [ " help " , " input= " , " postfix= " ]) 9 ​ 10 def usage(): 11 print (sys.argv[0] + ' -i inputdir -p postfix ' ) 12 print (sys.argv[0] + ' -h #get help info ' ) 13 ​ 14 def rename_files(filepath, postfix): 15 #

基于深度学习的小目标检测算法文献综述阅读 目标检测简要介绍 传统目标检测 基于深度学习的目标检测 基于候选区域的目标检测 基于回归的目标检测 小目标检测背景介绍及难点 小目标检测算法介绍 多尺度预测 反卷积和上采样 对抗网络GAN 总结与展望 最近做了一个对于小目标检测算法的文献的阅读，在搜查文献的时候，了解了目标检测的发展过程以及其中比较典型的算法，以下根据汇报的PPT从四个方法介绍小目标检测算法文献综述，分别是： 目标检测的简要介绍、小目标检测背景介绍及难点、小目标检测算法介绍、总结与展望 ，此篇博客也可作为汇报的讲稿。 目标检测简要介绍 目标检测过程简单的可以分为两个过程：定位和识别，定位是对于某一个目标位于哪一个位置而言，识别是指所定位的目标是什么，是一个分类问题。目标检测的发展也可以分为两个过程，其一是传统的目标检测，另一个是基于深度学习的目标检测。 传统目标检测 传统目标检测可以分为三个过程：获取检测窗口、手工设计感兴趣目标的特征、训练分类器。 1998年Papageorgiou发表一篇关于A general framework for object detection，提出Harr分类器，这是一个用于检测人脸的目标检测分类器，计算获取的每个检测窗口的像素总和，然后取它们的差值，利用差值作为特征进行目标分类，该方法的优点是速度快。2004年，David

1.闲言 在正式的学习之前，我喜欢先放飞一下自我。我觉得技术就是用来聊的，找个酒馆，找些大神，咱们听着音乐一起聊起来。所以我特别希望能把自己的文字口语化，就像玩一样。就像古代那些说书人一样，萧远山和慕容博相视一笑，王图霸业，血海深仇，尽归尘土。这是我向往的一种表达方式，但是我现在还达不到那个境界，只能尽力而为吧。 2.YOLOV2 1.十个改造点 yolov1提升了目标检测的速度，但是在MAP方面却掉了上去。所以说铁打的大神，流水的模型，他们自然会想尽各种办法来解决这个问题。在我看来这就好像程序员写bug一样，到头来总是要改的。所以yolov2可以分为两个部分，第一部分是对MAP提升所做的努力，第二部分是对原来模型的优化，当然是在保证检测速度的前提下。 下面的10个点，是V2的大神们做出的努力。这意味着什么，速度的提升？准确率的提升？模型的泛化能力提升？对，但是更重要的我觉得是工作量的体现，年终的结算。有时候看paper的时候，我们觉得这些大神们都跟圣人一样。他们做出的所有努力都是要造福社会，都是为了推动AI视觉的进一步发展。其实他们也是人，也会有来自各方面的限制，也会有自己的私心，一些小小的任性和种种生而为人而不能的无奈。所以读paper就是在和大神们对话，一边说着你真牛逼，一边在心里面想着我一定要超越你。 下来我们来解释一下，如果说模型预测出来的结果不是很令人满意