yolo

本篇博文是笔者结合百度paddle公开课的一个AI识虫项目对YOLOV3算法做的一个解析 完整项目可参考https://aistudio.baidu.com/aistudio/projectdetail/250211 什么是目标检测? 相信有一定基础的深度学习开发者经常能听到目标检测这个词，那什么任务是目标检测呢。 简单地来说目标检测就是 让计算机识别出图片里面对应的物体，并标上边界框 对于分类任务，我只需要识别这种图片是不是动物的图片即可 而对于目标检测任务，我并不是对 整张图片 做一个分类，而是对图片里的部分区域做一个分类，并绘制一个目标框标记物体 目标检测算法发展历程 既然图片分类是对整张图片进行分类，我们能不能从原图里“抠”下不同区域的图片进行分类呢？ 答案当然是可以的，而这也是最初目标检测算法的思路 我们将目标检测任务进行拆分成两个任务，分别是 产生候选区域 ， 对候选区域进行分类 。而这也引入了算法的区别，我们常听到的一阶段目标检测算法，就是用一个网络同时产生候选区域并进行预测。而二阶段目标检测算法，则是分别进行候选区域产生和分类任务。 最初产生的候选区域方法比较“笨”，更准确地来说应该称其为 穷举法 ，也就是将图片中每个像素都遍历一遍，再遍历其右下方的像素。两个像素就能确定一个区域，穷举法的好处就是思想简单，产生的候选区域都遍布整张图片，但它带来的计算量实在是过于庞大

深度学习目标检测之YOLOv3实战（一）keras原Demo复现 环境配置 框架及权重下载 原代码复现 单类物体识别 怀着异常忐忑的心情，写下第一篇博客，记录一下自己在图像识别方面的心路历程，与大家分享共勉，交流进步。 在寒假放假的最后一天里，把在深度学习实现的第一个模型YOLOv3，从环境配置到原模型复现再到训练自己的数据，全部过程记录下来，方便入门的同学，也希望自己在总结中得到进步。 关于YOLOv3的原理及模型的介绍我在后面的文章会进行更新，这里讲的主要是应用实战，直接上重点。 转载请注明出处 效果图镇住： 环境配置 运行的环境如下，显卡是GTX960M，内存16G，训练一般在晚上跑，没多少感觉，视频实时检测一般在6-8帧，稍微有些卡顿，但用于学习还是勉强能够接受。 环境配置过程中，会出现各种版本之间不相容的问题，出现各种报错，大家可以尽情尝试。 强烈建议大家一定要配置GPU进行训练，否则，cpu的龟速会让你怀疑人生 Windows 10 Visual Studio 2017 Python 3.6.0 Opencv 3.4.1 Gpu 9.0 + cudnn 7.0 Keras 2.2.0 Tensorflow 1.6.0 -- gpu Anaconda3 框架及权重下载 YOLOv3框架：https://github.com/qqwweee/keras-yolo3

https://www.cnblogs.com/makefile/p/YOLOv3.html 本文逐步介绍YOLO v1~v3的设计历程。 YOLOv1基本思想 YOLO将输入图像分成SxS个格子，若某个物体 Ground truth 的中心位置的坐标落入到某个格子，那么这个格子就负责检测出这个物体。 yolo-grid-predict 每个格子预测B个bounding box及其置信度(confidence score)，以及C个类别概率。bbox信息(x,y,w,h)为物体的中心位置相对格子位置的偏移及宽度和高度,均被归一化.置信度反映是否包含物体以及包含物体情况下位置的准确性,定义为Pr(Object)×IOUtruthpred,其中Pr(Object)∈{0,1}Pr(Object)×IOUpredtruth,其中Pr(Object)∈{0,1}. 网络结构 YOLOv1网络借鉴了GoogLeNet分类网络结构。不同的是，YOLO未使用inception module，而是使用1x1卷积层（此处1x1卷积层的存在是为了跨通道信息整合）+3x3卷积层简单替代。 YOLOv1网络在最后使用全连接层进行类别输出，因此全连接层的输出维度是 S×S×(B×5+C)S×S×(B×5+C)。 YOLOv1网络比VGG16快(浮点数少于VGG的1/3),准确率稍差。 缺馅: 输入尺寸固定

前言 现在对目标检测网络算法模型YOLOV3优化的文章很多，有很多新的思想提出来了，比如focal loss，denseNet，anchors free以及注意力机制等。我个人比较偏好那些源代码开放，方法简单明了，可操作性强同时想法合理的papers。以这种标准来看，Gaussian-YOLOV3无疑算得上不错得优化算法模型，至少能很快看到结果。 简介 Gaussian YOLOV3算法模型是ICCV 2019得一篇paper提出来的。它对应的项目代码已经开源（ https://github.com/jwchoi384/Gaussian_YOLOv3 ）。从代码角度来看，它只是在官方darknet框架代码的基础上添加一个新的层：Gaussian-yolo层的支持。所以如果你之前编译过darknet框架代码，那么这个项目代码下载后就可以直接编译成功了。 如果你想对自己数据集进行Guassian yolo3模型的训练，那么只需要将cfg文件中的[yolo]改成[Gaussian-yolo]，同时将前面的filters数目由(class_num+5)*3改成(class_num+9)*3即可。至于为什么变成了+9，下面会详细解释。 原理 从原理上看，Gaussian yolov3模型和官方经典YOLOV3的唯一区别就是前者对bbox的输出是x，y，w和h的均值和方差，一共有8个值

可参考链接： http://yuenshome.space/timeline/2018-11/yolov2-region-source-code/ https://blog.csdn.net/qiu931110/article/details/81387483 https://blog.csdn.net/u012927281/article/details/86372297 来源： CSDN 作者： 慕思侣 链接： https://blog.csdn.net/u014090429/article/details/103958194

文章目录 YOLO发展概述 YOLO v1~v3的设计历程 Yolov1 1. 核心思想 2. **网络结构** 3. Loss函数 4. 训练过程 5 .总结 Yolov2 1. 核心思想 2. 网络结构 3. Loss函数 4. 训练过程 5. 数据增强 6. 总结 Yolov3 1. 核心思想 2. 网络结构 3. loss 函数 4. 训练过程 5. Darknet框架 # YOLOv3原理 YOLO发展概述 2015 年，R-CNN 横空出世，目标检测 DL 世代大幕拉开。 各路豪杰快速迭代，陆续有了 SPP，fast，faster 版本，至 R-FCN，速度与精度齐飞，区域推荐类网络大放异彩。 奈何，未达实时检测之，难获工业应用之青睐。 此时，凭速度之长，网格类检测异军突起，先有 YOLO，继而 SSD，更是摘实时检测之桂冠，与区域推荐类二分天下。然却时遭世人诟病。 遂有 JR 一鼓作气，并 coco，推 v2，增加输出类别，成就 9000。此后一年，作者隐遁江湖，逍遥 twitter。偶获灵感，终推 v3，横扫武林！ YOLO不断吸收同化对手，进化自己，提升战斗力：YOLOv1 吸收了 SSD 的长处（加了 BN 层，扩大输入维度，使用了 Anchor，训练的时候数据增强），进化到了 YOLOv2； 吸收 DSSD 和 FPN 的长处，仿 ResNet 的

darknet_AlexeyAB_191221 - person - yolov3-tiny 1. anchors 2. yolov3-tiny.data /home/yongqiang/darknet_work/darknet_AlexeyAB_191221/darknet-master/data/yolov3-tiny.data classes= 1 train = /media/famu/DISK_DEEP/yongqiang/yolov3-tiny_prn/yolov3-tiny_prn.txt # valid = /media/famu/DISK_DEEP/yongqiang/yolov3-tiny_prn/training_validation_test_sets_person_v0.txt valid = /media/famu/DISK_DEEP/yongqiang/yolov3-tiny_prn/training_validation_test_sets_person_v0.txt names = data/yolov3-tiny.names backup = /media/famu/DISK_DATA/yongqiang/backup_yolov3-tiny eval=coco 3. yolov3-tiny.names /home/yongqiang

Alexander Wong1,2, Mahmoud Famuori1,2, Mohammad Javad Shafiee1,2 Francis Li2, Brendan Chwyl2, and Jonathan Chung2 1Waterloo Artificial Intelligence Institute, University of Waterloo, Waterloo, ON, Canada 2DarwinAI Corp., Waterloo, ON, Canada Abstract 目标检测仍然是计算机视觉领域的一个活跃研究领域，通过设计用于处理目标检测的深卷积神经网络，在这一领域取得了长足的进展和成功。尽管取得了这些成功，但在边缘和移动场景中广泛部署此类对象检测网络面临的最大挑战之一是高计算和内存需求。因此，针对边缘和移动应用的高效深层神经网络体系结构的设计越来越受到人们的关注。在本研究中，我们将介绍一种高度紧密的深度卷积神经网路YOLO Nano，来完成目标侦测的任务。利用人机协同设计策略创建YOLO Nano，其中基于YOLO系列单镜头目标检测网络架构的设计原则的原则性网络设计原型，与machinedriven设计探索相结合，创建一个具有高度定制模块级宏体系结构和为嵌入式对象检测任务定制的微体系结构设计的紧凑网络。所提出的YOLO Nano具有∼4