xue_csdn的博客

1. 前言之前讲过关于模型剪枝的文章深度学习算法优化系列七 | ICCV 2017的一篇模型剪枝论文，也是2019年众多开源剪枝项目的理论基础 并分析过如何利用这个通道剪枝算法对常见的分类模型如VGG16/ResNet/DenseNet进行剪枝，见深度学习算法优化系列八 | VGG，ResNet，DenseNe模型剪枝代码实战 ，感兴趣的可以去看看。这篇推文主要是介绍一下如何将这个通道剪枝算法应用到YOLOV3上，参考的Github工程地址为：https://github.com/Lam1360/YOL

尽管目标检测新算法层出不穷，但在实际工程项目中不少52CV群友还是念着YOLOv3的好。将其部署到边缘设备等时，模型剪枝是非常有必要的，毕竟有原始模型有239M的参数，剪枝后往往也能提速不少。比如之前52CV曾经分享过：YOLOv3模型剪枝，瘦身80%，提速100%，精度基本不变YOLOv3剪枝再升级！上述剪枝是减少模型通道数，而今天向大家介绍的工程可以实现通道和层的双向剪枝，在oxford hand 数据集hand检测问题中，作者实验中可以实现精度下降很小而参数减少 98%，砍掉 48 个

  我们都知道yolov3对训练数据使用了k-means聚类的算法来获得anchor boxes大小，但是具体其计算过程是怎样的呢？下面我们来详细的分析其具体计算过程：第一步：首先我们要知道我们需要聚类的是bounding box，所以我们无需考虑其所属类别，第一步我们需要将所有的bounding box坐标提取出来，也许一张图有一个矩形框，也许有多个，但是我们需要无区别的将所有图片的所有矩形框提取出来，放在一起。第二步：数据处理获得所有训练数据bounding boxes的宽高数据。给的...

参考：https://www.zhihu.com/question/308366100https://www.pythonheidong.com/blog/article/409533/1、根据自己的数据集重新计算anchor值官网或者AlexeyAB的yolov3.cfg中，都是是3个检测尺度共9个anchors，但是不同数据库的anchors值不一样，如果只用默认的anchor值，会造成检测框不精确，所以对于自训练模型来说，根据自身数据集或者网络的特征尺度的修改情况，来修改anchor值

参考：https://www.pythonheidong.com/blog/article/409533/在官网或者AlexeyAB中，YOLOv3的推理过程是用route把第85和61层、97和36层特征拼接在一起，在13x13尺度的基础上，增加了26x26、52x52两个尺度。但是如果想要对更小的目标做检测时，增加浅层网络的FPN，即继续按照同样的拼接原理，将上采样之后的特征与浅层网络特征拼接，完成第4个甚至第5个特征尺度。接下来介绍如何增加第4个尺度。原始yolov3结构增加第4个尺度104x

在Darknet框架中，自带的darknet.py可以使用weight、cfg、coco.data（或者voc.data）、coco.names（voc.names），以及在darknet路径下make生成的libdarknet.so（如图1），利用这些文件即可完成图片中的目标检测，并标出检测框。图1图2 darknet.py的主函数但是对于检测视频来说，darknet.py中的detect函数，第3个参数是“data/dog.jpg”，是图片带路径的文件名，而opencv读取视频是这样操...

YOLOv4: Optimal Speed and Accuracy of Object Detection论文：https://arxiv.org/abs/2004.10934代码：https://github.com/AlexeyAB/darknet论文中提到，在COCO数据集上，YOLOv4比YOLOv3提升了10%的AP和12%的fps，所以YOLOv4更加快速、精准。达到这种效果，主要原因是YOLOv4将很多单独的优化算法做了集成，包括：Weighted-Residual-

如果单纯跟着论文一步步的翻译， 是很难理清思路的。需要整理出YOLOv3哪些部分是保留了前2个版本，哪些是创新之处。2.1 bbox预测Bounding Box Prediction和YOLOv2一样，采用尺度聚类作为anchor box来预测bbox在训练期间 利用均方和误差，如果预测坐标的ground truth是tˆ，那相应的梯度就是ground truth值...

YOLO 9000和YOLOv2使用相同的网络结构。利用分类、检测的联合训练机制，利用ImageNet非常大量的分类样本，联合COCO的对象检测数据集一起训练，使得YOLOv2即使没有学过很多对象的检测样本，也能检测出这些对象。这就是YOLO9000的由来。 在此利用了WordNet这个语言数据库。（这部分让我有些头大......看不太懂） 为了...

YOLOv1拙见https://blog.youkuaiyun.com/xue_csdn/article/details/105949984YOLOv2相比YOLOv1，预测更准确（Better），速度更快（Faster），识别对象更多（Stronger）1、Better（1）批归一化BN BN（Batch Normalization）这里就不详细介绍了。BN其实在YOLOv1中...

YOLO是典型的one-step，将候选区的确定和检测过程合二为一，检测时间大大缩短。YOLOv11、直接上网络结构图2、训练过程 在训练之前，先在ImageNet上进行了预训练，其预训练的分类模型采用网络结构图中前20个卷积层，然后添加一个average-pool层和全连接层。预训练之后，在预训练得到的20层卷积层之上加上随机初始化的4个卷积层和2个全连接层。由于检测任...

版权声明：本文为优快云博主「phinoo」的原创文章，遵循CC 4.0 by-sa版权协议，转载请附上原文出处链接及本声明。原文链接：https://blog.youkuaiyun.com/phinoo/article/details/83022101大家好，我是小p，从今天起，将逐渐从源码角度解析Darknet,欢迎加入对象检测群813221712讨论和交流，进群请看群公告！今天将要说明的是Dar...

如果没有安装好Ubuntu和cuda环境，请移步到我的博客https://blog.youkuaiyun.com/xue_csdn/article/details/90898400，有详细的安装过程1、下载darknet框架参考官网https://pjreddie.com/darknet/yolo/git clone https://github.com/pjreddie/darknetcd dark...

训练好yolo模型之后（训练过程具体参考我的博客https://blog.youkuaiyun.com/xue_csdn/article/details/91043911），需要评估模型的性能，主要通过计算两个参数mAP和recall。1、计算mAP:首先，生成检测结果文件./darknet detector valid cfg/voc.data cfg/yolov2-voc.cfg backup/...

在我的博客yolo模型(二)yolo模型计算mAP和recall中，有提到计算yolo模型的mAP方法，其中用到了faster rcnn 中voc_eval.py文件。但如果你机器上没有配置过faster rcnn，可以直接参考复制以下代码（从voc_eval.py文件直接粘贴过来的）。拿走不谢~# ------------------------------------------------...

在绘制PR曲线时要自己生成一个pkl文件，需要reval_voc_py.py代码来生。现贴出基于python2和python3的代码，按照自己的python版本直接复制即可。拿走不谢~reval_voc_py.py#!/usr/bin/env python# Adapt from -># -----------------------------------------------...

原博：https://blog.youkuaiyun.com/qq_34806812/article/details/81459982作者整理得很详细~~感谢！