牧野的博客

一、 YOLOv2安装使用1. darknet YOLOv2安装git clone https://github.com/pjreddie/darknetcd darknetmake或到网址上下载darknet文件夹，解压后在darknet文件夹下执行make编译。2. 预测模型权重下载wget https://pjreddie.com/media/files/yolo.weights或到网址上下...

SSD，全称Single Shot MultiBox Detector，是Wei Liu在ECCV 2016上提出的一种目标检测算法，速度比Faster RCNN更快，mAP优于YOLO v1。SSD方法基于前馈卷积网络，其产生固定大小的边界框集合和框中对象类别的分数，接着是非最大化抑制步骤以产生最终检测。 SSD设计理念：1. 多尺度特征图检测在基础卷积网络提取CNN特征...

YOLO v3文章地址：YOLOv3: An Incremental Improvement  v3相对于v2的主要改进：1. 特征提取器更深（参考ResNet） 2. 多尺度预测 （类似FPN） 3. Bounding Box和Loss1. 特征提取器（分类器）V3的特征提取器在V2的Darknet-19基础上做了优化，命名为Darknet-53。包含52层卷积层和1个全连...

在python程序中使用YOLO，可以为YOLO添加python接口，也可以把YOLO的网络框架和权重文件转换成keras或pytorch使用的格式，然后再在python程序中调用。这里介绍基于keras的YOLO调用。 完整项目代码下载地址 ： https://github.com/dcrmg/yolo3-training-keras-master 1. 生成keras的.h5文...

YOLO v2论文地址： YOLO9000: Better, Faster, Strongerv2版本的优化目标：改善召回率，提升定位精度，保证分类准确度。YOLOv2相比YOLOv1的改进：1. Batch Normalization（批规范化BN层应用）v2在每一个卷积之后增加了BN层，提高了网络训练的速度，加快了收敛，消除了对其他正则化的依赖，且正则化效果更好，使调参更简...

YOLO v1论文地址： You Only Look Once: Unified, Real-Time Object Detection YOLO v1检测原理YOLO v1之前的RCNN系列目标检测算法，其本质仍是一个分类问题，基本思路是通过滑窗在图像上滑动，遍历完整个图像，分别判断窗口图像的分类，再通过回归方法调整物体精确边框，达到检测和定位的目的。其后改进的fast-RCNN系...

 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w...

原英文地址： https://timebutt.github.io/static/understanding-yolov2-training-output/最近有人问起在YOLOv2训练过程中输出在终端的不同的参数分别代表什么含义，如何去理解这些参数？本篇文章中我将尝试着去回答这个有趣的问题。刚好现在我正在训练一个YOLOv2模型，拿这个真实的例子来讨论再合适不过了，下边是我训练中使用的 .cfg...

Darknet在GPU上运行可以得到500倍的提速，编译使用GPU要求显卡是Nvidia卡并且正确安装了CUDA。GPU环境下的编译配置都是在 /darknet/Makefile 文件中定义的，GPU环境的编译有3点更改需要注意。1. 更改Makefile前两行GPU和CUDNN的配置：GPU=1CUDNN=12. 更改CUDA的路径48~51行，在"ifeq ($(GPU), 1)"语句块中修改...

 YOLO v1 YOLO v1的检测思路YOLO v1的整体思路是将输入图像(448×448)均分为7×7个网格，在每个网格上直接预测2个目标物体的位置+2个目标物体的类别概率+整体网格属于某一分类的最大概率，若分类是20类，则每一张输入图片最后输出是 7×7×(20+2×(4+1))=7*7*50 维的向量。 v1的检测特点v1检测的特点是速度快，但是根据物理位置分...