这两天有点思路准备修改基于Mask RCNN网络模型的思路，思路整理了一下，准备先跑一下Mask RCNN模型，最起码先把base模型跑通再跑实验嘛，结果这个Mask RCNN模型的demo环境搞了两天(⊙﹏⊙)b，为了这年这两天光荣的日子，还是写一篇博客纪念一下。1、实验环境 跑通一个模型肯定需要补充对模型的了解，找一个对模型复现比较好的base模型可以对模型细节更加理解通透（只看论文虽然模型觉得已经掌握，但是细节还是看代码），并且对自己的实验或者训练自己的数据集更方便的bas...

在现有的基于CNN的检测器中，骨干网是提取基本特征的非常重要的组成部分，检测器的性能很大程度上依赖于骨干网络。CBNET的主要目的是利用现有的主干网络例如ResNet、ResNeXt等构建更强大的主干网络。具体地说，作者提出了一种新的策略，通过相邻主干之间的复合连接组合多个相同的主干网络，从而形成一个更强大的主干网络，称为复合主干网络(Composite Backbone Network：CBNet)。通过这种方式，CBNet将前一个主干网的输出特征，即高级特征，作为输入特征的一部分逐步的传...

在目标检测中，需要通过IoU (intersection over union)阈值来定义正负。用低IoU阈值(例如0.5)训练的目标检测器通常会产生噪声检测。但是，随着IoU阈值的增加，检测性能趋于下降。产生这个问题主要有两个原因：1、随着网络训练的深入，正样本迅速减少导致过拟合；2、训练和推理使用不同的IOU阈值很容易出现检测问题。 为了解决IOU阈值设置的问题，作者提出适用于多阶段目标检测结构模型的：Cascade R-CNN用来解决这些问题。它由一系列的检测器来...

准确率、精确率和召回率是在目标检测中非常重要的指标，那么它们能反映出模型的结果中的哪些问题呢？如下：准确率、精确率和召回率的解释：True Positive(真正，TP)：将正类预测为正类数True Negative(真负，TN)：将负类预测为负类数False Positive(假正，FP)：将负类预测为正类数误报 (Type I error)False Negative(假负，FN)：将正类预测为负类数→漏报 (Type II error)准确率、精确率和召回率的公式：准确率（

目录一、windows系统训练基于darknet环境的yolov4模型1.1 修改部分必要的配置文件1.1.1 数据集配置文件修改1.1.2 模型配置文件修改1.2 训练darknet环境下的yolov4模型二、linux系统训练基于darknet环境的yolov4模型基于tensorflow2.0的yolov4训练自己的数据集（二） 在windows和linux分别训练了基于tensorflow2的yolov4模型，将方法记录下来，方便其他同学参考借鉴。内容较多，...

基于tensorflow2.0的yolov4训练自己的数据集（一） 在windows和linux分别训练了基于tensorflow2的yolov4模型，将方法记录下来，方便其他同学参考借鉴。内容较多，分批写出来：目录一、制作数据集1、下载LabelImage2、安装LabelImage4、制作数据集5、制作VOC2007数据集6、生成VOC2007数据集的文件二、利用DarkNet训练你的数据集1、下载yolov4工程2、迁移学习，下载选中文件3、...

基于tensorflow2.0的yolov4训练自己的数据集（三） 在windows和linux分别训练了基于tensorflow2的yolov4模型，将方法记录下来，方便其他同学参考借鉴。内容较多，分批写出来。上一次写到生成了基于darknet的yolov4模型：上一集，继续往下进行。一、将darknet模型转化为tensorflow模型在官网提供的github项目，直接可以将darknet转化为tensorflow的pb模型，转化地址。将darknet的yolov4模型放入到/...