目标检测
关注
分享
扫一扫
文章平均质量分 76
目标检测算法介绍
MiltonY
这个作者很懒，什么都没留下…
展开
-
“[...]“、“[::]“与torch.cat的解析（YOLOv5 Focus common.py）
"[...]"、"[::]"与torch.cat的解析YOLOv5中common.py的函数Focus.forward，返回为self.conv(torch.cat([x[..., ::2, ::2], x[..., 1::2, ::2], x[..., ::2, 1::2], x[..., 1::2, 1::2]], 1))，这句话的解析。def forward(self, x): # x(b,c,w,h) -> y(b,4c,w/2,h/2) return self.conv(原创 2021-03-18 20:18:18 · 980 阅读 · 3 评论 -
YOLOv6、YOLOv7、YOLOv8、YOLOv11网络结构图(清晰版)
YOLO系列网络结构图原创 2024-02-26 23:51:18 · 16496 阅读 · 41 评论 -
YOLOX训练代码分析3-损失函数
yolox构建模型时，是通过yolox_base.py中的get_model函数获取，其中分成两部分YOLOXPAFPN与YOLOXHead两个类，由YOLOX加载封装整个网络。if getattr(self, "model", None) is None: # 该对象中是否存在model属性，默认值为None，设置成模型 in_channels = [256, 512, 1024] backbone = YOLOPAFPN(self.depth, self.width, in_cha原创 2021-10-11 12:01:41 · 17580 阅读 · 22 评论 -
YOLOX训练代码分析2-trainer.py
1. yolox网络构建(1) 网络加载通过tools/train.py中main函数get_exp构建网络，其中get_exp可以通过名称与文件获取网络模型与参数。if exp_file is not None: return get_exp_by_file(exp_file) # 通过文件获取模型参数else: return get_exp_by_name(exp_name) # 通过名称获取模型参数get_exp_by_name最终是调用get_exp_by_fil原创 2021-10-08 15:30:31 · 3439 阅读 · 6 评论 -
YOLOX训练代码分析1-COCO与VOC训练
1. YOLOX的网络结构图与代码YOLOv3、YOLOv4、YOLOv5、YOLOx的网络结构图(清晰版)_YMilton的专栏-优快云博客((1) 网络结构图(2) yolox代码URL：https://github.com/Megvii-BaseDetection/YOLOX.git2. yolox如何训练coco数据(1) 第一步：yolox...原创 2021-09-30 17:35:30 · 3381 阅读 · 5 评论 -
YOLOv3、YOLOv4、YOLOv5、YOLOx的网络结构图(清晰版)
YOLO系列网络结构图2. Yolov4网络结构图3. Yolov5网络结构图4. Yolox网络结构图原创 2021-09-13 16:03:52 · 50716 阅读 · 88 评论 -
BBox边界框损失函数演进
边界框损失计算的演进边界框回归损失近些年的发展过程：1. MSE Loss2. IoU Loss计算IoU交并比示意图如图，蓝色为真实目标框，橘红色为预测目标框。IoU Loss存在的问题，存在检测框大小相同，重叠区域面积相等的情况(IoU相等)，无法区分不同相交情况。3. GIoU Loss为了改进IoU Loss存在的问题，提出了GIoU方法。GIoU Loss的计算公式其中 表示真实框与预测框的最小闭包区域面积，即外接矩形面积。...原创 2021-09-02 18:58:42 · 1814 阅读 · 0 评论 -
yolov4与yolov5的区别
不同点：1. yolov4采用了较多的数据增强方法(图像增强方法(Data Augmentation)_YMilton的专栏-优快云博客,博客中方法都使用)，而yolov5进行了3中数据增强：缩放、色彩空间调整与Mosaic数据增强。2. yolov5锚点框是基于训练数据集自动学习的，而yolov4没有自适应锚点框。3. yolov5采用的激活函数包括leakyReLU和Sigmoid，yolov5的中间隐藏层使用的是leakyReLU激活函数，最后的检测层使用的是Sigmoid激活函数。而y原创 2021-09-02 09:54:32 · 19690 阅读 · 0 评论 -
目标检测图像增强方法(Data Augmentation)
1. 图像遮挡1.1 Random Erase用随机值或训练集的平均像素替换图像区域。Paper: Random Erasing Data Augmentation URL: https://arxiv.org/pdf/1708.04896.pdf1.2 Cutout仅对CNN第一层的输入图像使用随机剪切框Mask。Paper：Improved Regularization of Convolutional Neural Networks with Cutout...原创 2021-09-01 16:05:21 · 6376 阅读 · 1 评论 -
YOLOX环境搭建与运行效果
通过git clone git@github.com:Megvii-BaseDetection/YOLOX.git或者下载方式获得旷世在github上共享的工程文件。1. 虚拟环境创建通过如下命令在conda下创建用于工程YOLOX的虚拟环境，假设虚拟环境为yoloxconda create -n yolox python=3.8然后通过命令conda activate yolox进入yolox虚拟环境，接着下面的安装。2. pycocotools的安装在Linux环境下安装原创 2021-08-16 23:47:47 · 3819 阅读 · 1 评论 -
YOLOX采用的最新技术
YOLOX检测器的锚框：采用anchor-free的方式，以及使用例如网络头解耦(decoupled head)，与以标签分配策略为主导(leading label assignment strategy SimOTA)的技术生成网络模型。YOLOX使用的相关技术论文1.anchor-free detectors: (1) Hei Law and Jia Deng. Cornernet: Detecting objects as paired keypoints. In ECCV, 2...原创 2021-08-06 14:49:22 · 581 阅读 · 0 评论 -
coco数据集的理解
coco数据集的理解一键式下载：https://github.com/pjreddie/darknet/tree/master/scripts/get_coco_dataset.sh，然后在Linux环境下运行.sh文件。1. coco数据集下载地址(1) 图像集下载地址训练图像集：https://pjreddie.com/media/files/train2014.zip验证图像集：https://pjreddie.com/media/files/val2014.zip(2) 图像原创 2021-04-14 16:53:19 · 3027 阅读 · 1 评论 -
评估计算recall、precision、AP、F1、mAP（PyTorch-YOLOv3代码解析二）
目标检测评估计算（Python+Pytorch）代码github地址：https://github.com/eriklindernoren/PyTorch-YOLOv31. 检测的评估函数# reference: https://github.com/eriklindernoren/PyTorch-YOLOv3/blob/f917503ffe4a21d2b1148d8cb13b89b834517d76/utils/utils.pydef ap_per_class(tp, conf, pre原创 2021-04-13 11:44:03 · 7254 阅读 · 8 评论 -
非极大值抑制(PyTorch-YOLOv3代码解析一)
目标检测中的非极大值抑制之代码解析(Python)1. 非极大值抑制函数代码# reference: https://github.com/eriklindernoren/PyTorch-YOLOv3/blob/f917503ffe4a21d2b1148d8cb13b89b834517d76/utils/utils.pydef non_max_suppression(prediction, conf_thres=0.5, nms_thres=0.4): """ 剔除目标置信度小原创 2021-04-09 15:30:07 · 1781 阅读 · 0 评论