weixin_45955767的博客

VOC转yolodef voc2yolo(bboxes, image_height=720, image_width=1280): """ voc => [x1, y1, x2, y1] yolo => [xmid, ymid, w, h] (normalized) """ bboxes = bboxes.copy().astype(float) # otherwise all value will be 0 as voc_pascal

1网络配置文件类型：yaml，yolov5*.yaml文件通过yolo.py解析文件配置模型的网络结构。yaml文件的优点 方便，不需要像Yolov3的config设置网络一样设置网络进行叠加，只需要在yaml配置文件中的参数进行修改以yolov5s.yaml为例子1模型的深度和宽度s—m—l—x# parametersnc:80 #num_classesdepth_mumultiple:0.33 #模型的深度，控制模块的数量model depth multip

windows下 将绝对坐标转换为适合输入yolov3的基于中心点的坐标**name2id有这么多类json_floder_path 输入标签文件的路径（json格式）import jsonimport os#有多少类别就有多少个字典name2id = {'person':0,'helmet':1,'Fire extinguisher':2,'Hook':3,'Gas cylinder':4} def convert(img_size, box): dw

目标检测任务及发展脉络图像处理有三大任务：物体识别，目标检测，图像分割目标检测：给定一张图像，判断图像中是否存在指定类别的目标，若存在，则输出目标的位置，类别，置信度。包括目标的分类和目标位置的确定双阶段算法和单阶段算法双阶段（two-stage）：第一级网络用于候选区域提取；第二级网络对提取的候选区域进行分类和精确坐标回归，例如RCNN系列.单阶段（one-stage）：掘弃了候选区域提取这一步骤，只用一级网络就完成了分类和回归两个任务例如YOLO和SSD等.单阶段网络的准确度.