welcome_yu的博客

下面代码是批量读取图片，统一图片尺寸，并将其转换为统一格式RGB输出，保存。from PIL import Imageimport os.pathimport globdef convertjpg(jpgfile,outdir,width=500,height=500): img=Image.open(jpgfile) try: new_img = img.resize((width, height), Image.BILINEAR) if new_i

HOG检测器默认属性，RGB颜色空间，无伽马校正； [−1,0,1]梯度滤波器，无平滑；线性梯度投票在0◦–180◦中的9个方向仓中；四个8×8像素单元的16×16像素块; σ= 8像素的高斯空间窗； L2-Hys（Lowe样式修剪的L2范数）块归一化；块间​​距为8个像素（因此每个单元的覆盖率为4倍）； 64×128检测窗口；线性SVM分类器。图1总结了各种HOG参数对整体检测性能的影响。这些将在下面详细讨论。主要结论是，为了获得良好的性能，应使用精细比例的导数（基本上不进行平滑处理），多个方向框以及中

YOLO是一种端到端的目标检测模型。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.YOLO结构Yolo v3整个结构，不包括池化层和全连接层。Yolo主干结构是Darknet-53网络，还有 Yolo预测支路采用的都是全卷积的结构。图1 YOLO v3 结构