Jinlong_Xu的博客

在做YOLO目标检测相关的项目，里面涉及到计算IOU，可以理解为系统预测出来的框与原来图片中标记的框的重合程度。 因为YOLO的实现是用tensorflow实现的，而我又要单独列出来，所以就打算用Python来计算 IOU。IOU的计算这个问题，其实我们可以转化成两个矩形框的重合程度，那么第一步是判断是否重合第二步是计算重合程度这里有个难点，如何判断是否重合。我的理解是分别比较

摘要在训练YOLO v2的过程中，系统会显示出一些评价训练效果的值，如Recall，IoU等等。为了怕以后忘了，现在把自己对这几种度量方式的理解记录一下。 这一文章首先假设一个测试集，然后围绕这一测试集来介绍这几种度量方式的计算方法。大雁与飞机假设现在有这样一个测试集，测试集中的图片只由大雁和飞机两种图片组成，如下图所示： 假设你的分类系统最终的目的

论文地址：YOLO9000: Better, Faster, Stronger项目主页：YOLO: Real-Time Object DetectionCaffe实现：caffe-yolo9000概述时隔一年，YOLO（You Only Look Once: Unified, Real-Time Object Detection）从v1版本进化到了v2版本，作者在darkn

Preface今天详细的看一下 CVPR 2016 年这篇：You Only Look Once: Unified, Real-Time Object Detection。另外，这篇的作者也有Ross B. Girshick。这篇 Paper 的项目主页在这里：http://pjreddie.com/darknet/yolo/注：这篇今年 CVPR 2016 年的检测文章 YOLO

准备训练数据使用darknet训练自己的YOLO模型需要将数据转成darknet需要的格式，每张图片对应一个.txt的label文件，文件格式如下： object-class是类的索引，后面的4个值都是相对于整张图片的比例。x是ROI中心的x坐标，y是ROI中心的y坐标，width是ROI的宽，height是ROI的高。我需要用到Pascal VOC、MS

1.Batch_Size(批尺寸) 该参数主要用于批梯度下降算法(Batch Gradient Descent)中，批梯度下降算法是每次迭代都遍历批中的所有样本，由批中的样本共同决定最优的方向，Batch_Size 正是批中的样本数量。 若数据集比较小，可以采用全数据集(Full Batch Learning)的形式，由全数据确定的方向能更好地代表样本总体，从而更准确地朝向极值所在

之前在用TensorFlow实现的YOLO，发现效果很一般(GTX960下，一张图1.2s左右)，因此打算用darknet实现的YOLO来跑跑看效果。大致交代一下，TensorFlow版本的YOLO在台式机显卡GTX960，16GB内存情况下，大概是1.2s一张图。现在在GPU工作站（CPU至强系列，GPU两块Titan xp）上测试用darknet实现的YOLO，基于CPU的是12.

最近要跑一个对视频中的目标进行目标检测的代码，其中代码运行到moviepy的时候，提示报错没有这个包。OK，那简单，直接安装呗。我直接在 Terminal中输入命令行：pip install moviepy紧接着报错了，报错如下：查找原因是连接中断，读取超时。我的解决方法是：pip install -i https://pypi.anac