jq_98的博客

首先是pascal voc标签数据格式转yolo标签数据格式，这两种有什么区别，欢迎翻看之前的博客 PASCAL VOC格式的标注格式和YOLO格式的txt标记文件import xml.etree.ElementTree as ETimport pickleimport osfrom os import listdir, getcwdfrom os.path import join# 要生成的文件夹sets = [('2012', 'train'), ('2012', 'val')]#

简要说一下nndetection的安装步骤吧：github：https://github.com/open-mmlab/mmdetection1、首先看一下自己的cuda版本是多少，根据自己的cuda版本安装对应的pytorch版本由于我是最新版本，所以直接进行pytorch官网安装最新版本就好了2、之后创建并激活环境conda环境conda create -n mmdetection python=3.7conda activate mmdetection3、根据环境安装mmcv这里

上采样之最近邻插值、双线性插值一、最近邻插值二、双线性插值一、最近邻插值设i+u, j+v(i, j为正整数， u, v为大于零小于1的小数，下同)为待求象素坐标，则待求象素灰度的值 f(i+u, j+v)。如果(i+u, j+v)落在A区，即u<0.5, v<0.5，则将左上角象素的灰度值赋给待求象素，同理，落在B区则赋予右上角的象素灰度值，落在C区则赋予左下角象素的灰度值，落在D区则赋予右下角象素的灰度值。最邻近元法计算量较小，但可能会造成插值生成的图像灰度上的不连续，在灰度变化

Yolov5 损失函数正负样本匹配策略正样本个数的增加策略损失函数正负样本匹配策略本文的正负样本指的都是预测框而不是groundtruth框。正负样本是根据groundtruth框和anchor的匹配情况来确定的。yolov3/4采用的都是基于IOU的匹配策略，而 Yolov5采用的是基于宽高比例的匹配策略。具体而言，对每一个groundtruth框，分别计算它与9种anchor的宽与宽的比值、高与高的比值，在宽比值、高比值这2个比值中，取最极端的一个比值，作为groundtruth框和anchor

YOLO格式的txt文件中包含以下内容：其中x，y，w，h都做了归一化而PASCAL VOC标注格式存储的是图片的左上角坐标(Xmin,Ymin),以及右下角坐标(Xmax,Ymax)PASCAL VOC格式转化成YOLO格式如下图所示

SORT首先我们需要明确目标跟踪和目标检测是两件不同的事物体跟踪有几个主要任务以及它们对应的解决方案SORT本篇文章参考了如下文章：https://blog.youkuaiyun.com/didiaopao/article/details/120272947https://blog.youkuaiyun.com/HaoBBNuanMM/article/details/85555547https://azusa.blog.youkuaiyun.com/article/details/106009021首先我们需要明确目标跟踪和目标检测

非极大值抑制（Non-Maximum Suppersion, NMS）在目标检测过程中，在同一目标位置上回产生大量的候选框（proposal），这些候选框相互之间会存在重叠现象，此时我们需要利用非极大值抑制来找到最佳的目标边界框，并且消除冗余的边界框。IOU(交并比)IOU(Intersection-Over-Union): 两个边界框的交集部分除以它们的并集部分，数值越大代表两个边界框的重合部分越多非极大值抑制NMS算法流程前提：目标边界框列表及其对应的置信度得分列表，设定IOU阈值，此阈值用

感受野神经网络中感受野：神经网络每一层输出的特征图上的像素点在原始图像上映射区域的大小。原始图像是指网络输入图像，是经过预处理后的图像。感受野公式F(i) = (F(i+1)-1)*Stride +Ksize # F(i)代表第i层感受野# F(i+1)代表第i+1层感受野# Stride 代表第i层步距# Ksize代表卷积核或者池化核尺寸如上图所示： 第三层的感受野F(3) = 1,对应第二层的感受野为F(2) = (F(3)-1)*stride + ksize =(1-1)*2