Yolov3目标检测实现血液淋巴细胞识别

一、深度学习在图像领域的几大任务：

1.任务分类：

（a）图像分类 eg：ResNet        （判断有或者无）

（b）目标检测 eg：Faster-RCNN        （强调物体含义，可识别目标物体的位置和类别 ，返回的是标签+概率）

（c）语义分割  eg：FCN        （强调类别含义，能够识别像素的类别，分辨出是前景和背景）

（d）实例分割  eg：Mask-RCNN         （对同一类别的不同目标也用不同             颜色来区分，           只关注目标，不关注背景）

2.目标检测的实现：

（a）分类网络是基础：

常见的分类网络有： Alex Net、VGG、inceptionv1(Googlenet)、ResNet、WRN、SqueezeNet、 Xception、MobilieNet、ShuffleNet、DenseNet、SENet等等。

（b）目标检测网络可分为：

一阶段（One Stage）：速度快        eg：SSD、Yolo 基于anchors直接进行分类以及调整边界框

两阶段（Two Stage）：监测更准确 eg：Faster-RCNN

        1）通过专门的模块去生成候选框FPN 寻找前景（需要检测的目标）以及调整边界框（基于生成的anchors）

        2）基于之前生成的候选框进一步分类以及调整边界框（基于proposals）

二、YOLO算法的基本思想是：        

        首先通过特征提取网络提取输入特征，得到特定大小的特征图输出。输入图像分成13×13的网格单元，接着如果真实框中某个对象的中心坐标落在某个网格中，那么就由该网格来预测该对象每个对象有固定数量的边界框，YOLO v3中有三个边界框，使用逻辑回归确定用来预测的回归框。

三、Yolov3网络实现血液淋巴细胞识别：

总体实验步骤如下：

(1) 数据收集：kaggle下载到分类好的血液细胞数据集。

(2) 数据标注：使用 Labelimg 对淋巴细胞进行标注，获取存放数据的 xml 文件。

(3) PaddleDetection框架搭建：在百度服务器上实现。

(4) 数据集导入，生成对应的类别标签及划分训练集测试集验证集。

(5) 修改配置文件，改参数，配置优化器等。

(6) 开始训练模型并评估。

(7) 用训练出的最佳模型去做预测。