orDream的博客

对象跟踪是深度学习的一种应用，程序获取一组初始对象检测并为每个初始检测开发一个唯一标识，然后在检测到的对象在视频中的帧周围移动时跟踪它们。换句话说，对象跟踪是自动识别视频中的对象并将它们解释为一组高精度的轨迹的任务。通常，被跟踪的对象周围有一个指示，例如，跟随对象的周围正方形，向用户显示对象在屏幕上的位置。大多数多目标跟踪算法都包含一种称为检测跟踪的方法。逐检测跟踪方法涉及一个独立的检测器，该检测器应用于所有图像帧以获得可能的检测，然后是一个跟踪器，该跟踪器在检测集上运行。因此，跟踪器尝试执行。

探索 YOLO v3 源码 - 第5篇 Loss1. 损失层在模型的训练过程中，不断调整网络中的参数，优化损失函数loss的值达到最小，完成模型的训练。在YOLO v3中，损失函数yolo_loss封装自定义Lambda的损失层中，作为模型的最后一层，参于训练。损失层Lambda的输入是已有模型的输出model_body.output和真值y_true，输出是1个值，即损失值。损失层的核心逻辑位于yolo_loss中，yolo_loss除了接收Lambda层的输入model_body.output和

探索 YOLO v3 源码 - 第4篇 真值1. fit_generator在训练中，模型调用fit_generator方法，按批次创建数据，输入模型，进行训练。其中，数据生成器wrapper是data_generator_wrapper，用于验证数据格式，最终调用data_generator，输入参数是：annotation_lines：标注数据的行，每行数据包含图片路径，和框的位置信息；batch_size：批次数，每批生成的数据个数；input_shape：图像输入尺寸，如(416, 41

探索 YOLO v3 源码 - 第3篇 网络1. 网络在模型中，通过传入输入层image_input、每层的anchor数num_anchors//3和类别数num_classes，调用yolo_body方法，构建YOLO v3的网络model_body。其中，image_input的结构是(?, 416, 416, 3)。model_body = yolo_body(image_input, num_anchors // 3, num_classes) # model在model_body中

探索 YOLO v3 源码 - 第2篇 模型入口在训练中，调用create_model方法构建算法模型。在create_model方法中，创建YOLO v3的算法模型，其中方法参数是：input_shape：输入图片的尺寸，默认是(416, 416)；anchors：默认的9种anchor box，结构是(9, 2)；num_classes：类别个数，在创建网络时，只需类别数即可。在网络中，类别值按0~n排列，同时，输入数据的类别也是用索引表示；load_pretrained：是否使用预训练

YOLO是一句美国的俗语，You Only Live Once，人生苦短，及时行乐。本文主要分享，如何实现YOLO v3的算法细节，Keras框架。这是第1篇，训练。当然还有第2篇，至第n篇，毕竟，这是一个完整版 ：）本文的GitHub源码：https://github.com/SpikeKing/keras-yolo3-detection1. 参数模型的训练参数，共有5个，即：(1) 已标注边界框的图片数据集，其格式如下：图片的位置 框的4个坐标和1个类别ID (xmin,ymin,.

参考：<Pascal VOC & COCO数据集介绍 & 转换> http://www.cnblogs.com/pprp/p/9629752.html《Pascal Voc数据集详细分析》https://blog.youkuaiyun.com/u013832707/article/details/80060327《检测数据集分析VOC+COCO_RGBD》https:/...

待更新~