yolo

YOLOv3: An Incremental Improvement （一）论文地址： （二）核心思想： （三）DarkNet-53： （四）Class Prediction： （五）Predictions Across Scales： （六）实验结果： （一）论文地址： https://arxiv.org/abs/1804.02767 （二）核心思想： ‘Sometimes you just kinda phone it in for a year, you know?’ 作者说他一年大部分时间去刷 Twitter 了，然后玩了（play around）一阵子 GAN，正好剩下一点时间，就改进了一下 YOLO 算法，提出了 YOLO v3； （作者有点皮呀） （三）DarkNet-53： 作者在 DarkNet-19 的基础上加入了残差结构，使得它在 ImageNet 上的表现跟 ResNet-101 相差无几，但是处理速度却快得多； （四）Class Prediction： 这里由于 YOLO 使用了多层 label，因此使用了 Logistic 回归和 binary cross-entropy 损失函数； （五）Predictions Across Scales： 这里每个区域使用了 3 个不同大小的 Anchor，其余设置跟 YOLO v2 相同； 并且作者使用了跟 FPN

原理 自行百度，本人不擅长 YOLO 来自darknet对象检测框架 基于COCO数据集，能检测80个类别 YOLO V3版本 https://pireddie.com/darknet/yolo 每种网络模型对应的输入数据 可以查看每种模型的模型二进制文件名称，网络描述文件名称，中至化处理参数，数据样本尺寸，描述label文件名称，rgb通道顺序以及典型应用场景等信息 链接地址:https://github.com/opencv/opencv/blob/master/samples/dnn/models.yml ################################################################################ # Object detection models. ################################################################################ 。。。 # YOLO object detection family from Darknet (https://pjreddie.com/darknet/yolo/) # Might be used for all YOLOv2, TinyYolov2 and YOLOv3 yolo : model

代码来源于Github： https://github.com/eriklindernoren/PyTorch-YOLOv3 环境配置：Windows 10+CUDA 9.2+PyTorch 1.1.0+python 3.6.2 网上关于环境配置有很多教程，这里不再赘述。环境配置成功，接下来就是按照代码包中READEME.md进行安装。README.md 安装 部分内容如下： 一、Clone and install requirements（下载代码和一些需要的包） 1.git clone https://github.com/eriklindernoren/PyTorch-YOLOv3（下载代码） 首先利用命令行进入到你想要下载代码的文件位置，接着利用指令下载代码。以本人为例，按照如下操作即可（前提是电脑已经安装了git）。 2.cd PyTorch-YOLOv3/（cd到该目录） sudo pip3 install -r requirements.txt（安装requirement文件里指定的各种包）这一步应该在Ubuntu系统一个指令就搞定了，但是现在只能自己一个一个下载了。 打开requirement.txt，有如下9个包： 我用的anaconda，就是进入到PyTorch环境中，利用如下指令挨个安装 conda install numpy 二、Download

generator_output = next ( self . _generator ) File "train.py" , line 175 , in data_generator image , box = get_random_data ( annotation_lines [ i ] , input_shape , random = True ) File "F:\yolo\keras-yolo3-voc\yolo3\utils.py" , line 109 , in get_random_data box [ : , [ 0 , 2 ] ] = box [ : , [ 0 , 2 ] ] * nw / iw + dx IndexError : too many indices for array 关于Keras实现yolo v3的数据集错误 在文件夹的根目录中，运行voc_annotation.py文件会生成yolo格式对应的数据集格式，生成2007_train,2007_val,2007_trainval三个文件。 但是我在没有改变voc_annotation.py源代码的情况下生成了三个文件。但是打开其中的2007_train.txt文件会发现，有的图片后面并没有bbox数据，像这样 刚开始我以为是不是代码有些bug.我自己手动把bbox的信息手动添加上了！！！

YOLOv3的具体的概念与流程这里不再介绍，下面直接讲解实现的步骤。 计算机环境 ：Win10 + Python3.6 + tensorflow-gpu 1.12.0 + keras-gpu 2.2.4 + cuda9.0 IDE ：PyCharm + Anaconda 目录 一 制作数据集 1.1 LabelImg 标记图片 1.2 VOC 数据集格式介绍 1.3 转化成VOC数据集 1.4 生成ImageSets 二 代码修改 2.1 修改`voc_annocation.py` 2.2 修改`yolo3.cfg` 2.3 修改voc_classes.txt 2.4 修改train.py 2.5 修改yolo.py 一 制作数据集 制作数据集的工程量较为巨大，如果你有几千张图片，就要一一为这些图片做标记。如果不是做实际的工程项目或是比赛，此步骤可以跳过，在互联网上直接下载已经标记好的数据集。 著名的数据集： 1 CIFAR-10 and CIFAR-100 datasets 已经处理好的数据，无法看到原图片。 2 PASCAL VOC 可直接查看原图片，数据集采用VOC格式 本文的数据集： 安全帽—百度网盘 采用VOC格式 1.1 LabelImg 标记图片 标记图片就是对图片中的待识别目标进行标记，如果识别的目标时猫、狗，那就用方块标记出猫或狗，它们的标签分别为cat、dog

YOLO( Y ou O nly L ook O nce)是一个流行的目标检测方法，和Faster RCNN等state of the art方法比起来，主打检测速度快。截止到目前为止（2017年2月初），YOLO已经发布了两个版本，在下文中分别称为 YOLO V1 和 YOLO V2 。YOLO V2的代码目前作为 Darknet 的一部分开源在 GitHub 。在这篇博客中，记录了阅读YOLO两个版本论文中的重点内容，并着重总结V2版本的改进。 Update@2018/04: YOLO v3 已经发布！可以参考我的博客 论文 - YOLO v3 。 YOLO V1 这里不妨把YOLO V1论文 “You Only Look Once: Unitied, Real-Time Object Detection” 的摘要部分意译如下： 我们提出了一种新的物体检测方法YOLO。之前的目标检测方法大多把分类器重新调整用于检测（这里应该是在说以前的方法大多将检测问题看做分类问题，使用滑动窗提取特征并使用分类器进行分类）。我们将检测问题看做回归，分别给出bounding box的位置和对应的类别概率。对于给定输入图像，只需使用CNN网络计算一次，就同时给出bounding box位置和类别概率。由于整个pipeline都是同一个网络，所以很容易进行端到端的训练。 YOLO相当快。base

本文 转载自简书 ，仅用于个人学习，侵删 YOLO（You Only Look Once）是一种基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以用于实时系统。 现在YOLO已经发展到v3版本，不过新版本也是在原有版本基础上不断改进演化的，所以本文先分析YOLO v1版本。 关于 YOLOv2/YOLO9000 的分析理解请移步 YOLO v2 / YOLO 9000 。 对象识别和定位 输入一张图片，要求输出其中所包含的对象，以及每个对象的位置（包含该对象的矩形框）。 图1 对象识别和定位 对象识别和定位，可以看成两个任务：找到图片中某个存在对象的区域，然后识别出该区域中具体是哪个对象。 对象识别这件事（一张图片仅包含一个对象，且基本占据图片的整个范围），最近几年基于CNN卷积神经网络的各种方法已经能达到不错的效果了。所以主要需要解决的问题是，对象在哪里。 最简单的想法，就是遍历图片中所有可能的位置，地毯式搜索不同大小，不同宽高比，不同位置的每个区域，逐一检测其中是否存在某个对象，挑选其中概率最大的结果作为输出。显然这种方法效率太低。 RCNN/Fast RCNN/Faster RCNN RCNN开创性的提出了候选区(Region Proposals)的方法，先从图片中搜索出一些可能存在对象的候选区（Selective Search），大概2000个左右