zikyou的博客

学习目标了解常用目标检测数据集 了解数据集构成官网地址：TThe PASCAL Visual Object Classes Homepage (ox.ac.uk)下载地址：Pascal VOC Dataset Mirror地址：Open Images Dataset V6官网：tzutalin/labelImg: 🖍️ LabelImg is a graphical image annotation tool and label objec

候选框生成结构之后还会进行微调，利用四个variance做回归调整候选框

Fast R-CNNFast R-CNN整体结构：

/映射SSPNet完整结构：

候选区域方法：提供了一个物体检测的一种重要思路R-CNN步骤：1.对于一张图片，找出默认2000个候选区域 2.2000个候选区域做大小变换，输入AlexNet当中，得到特征向量 2000 * 4096 3.经过20个类别的SVM分类器，对于2000个候选区域做判断，得到（2000， 20）得分矩阵 4.2000个候选区域做NMS，取出不好的，重叠高度的一些候选区域，得到剩下分数高的，从而得到好的框 5.修正候选框，做一个bbox的回归微调...

对于多个目标的情况，就不能以固定个数输出物体的位置值 滑动窗口首先定义若干个大小窗口，k个 k中每个窗口都要滑动图片，每个窗口滑动M次 K * M暴力破解方式 计算量太大

项目结构数据采集层：主要做数据收集标注工作深度模型层：YOLO，SDD模型，模型导出，Serving部署用户层：跟前端交互（web后台） 对接部署模型

案例迁移学习利用数据，任务和模型之间的相似性， 都是分类问题 在旧的领域学习过或训练好的模型 应用于新的领域进行训练模型地址：models/research/slim at master · tensorflow/models · GitHubfine tuning， 微调调整模型参数不需要过多调整 调整模型结构，微微调整 其中Pre_trained:预训练模型 fine tuning：微调后的模型预训练模型：tensorflow Model .

/数据集：http://39.78.67.216:9000/csdn-downloads/2022-04-20/20220420Z6t8A1C9.zip案例效果2. 数据集以及迁移需求数据集是某场景下5个类别图片的识别我们利用现有的VGG模型去进行微调思路和步骤读取本地的图片数据以及类别 keras.preprocessing.image import ImageDataGenerator提供了读取转换功能 模型的结构修改（添加我们自定的分类层） freeze掉原始VG

学习目标：掌握基本的超参数以及调参技巧·掌握BN的原理以及作用/批标准化：根本上不是去优化模型，而是帮助我们更好地去训练，简单训练过程，节省时间。 解决目的：内部协变量偏移 对于深层网络一些层级输出进行批标准化在标准化之后，增加一个状态分布参数，让标准数据进行修改分布 garma beta 作用：BN减少不同数据分布状态带来的影响，模型鲁棒性强，测试准确率高，防止过拟合作用。 BN使得不同层...

学习目标：知道LeNet-5网络结构。了解经典的分类网络结构知道一些常见的卷机网络结构的优化知道NIN中1x1卷积原理以及作用知道Inception的作用了解卷积神经网络学习过程内容应用应用：使用pre_trained模型进行VGG预测LeNet-5解析...

Goole在提供VGG进行预测时效果会更好一些，所以选择使用VGG来进行测试在tensorflow,keras.applications存在很多的模型Xception 88 79.0% 94.5% 22.9M 81 109.4 8.1 VGG16 528 71.3% 90.1% 138.4M 16 69.5 4.2 VGG19 549 71.3% 90.0% 143.7M 19

model = keras.models.Sequential([ # 卷积层1； 32个5*5*3的filter keras.layers.Conv2D(32, kernel_size=5, strides=1, padding="same", data_format="channels_last", activation=tf.compat.v1.nn.relu), # 池化层1;2*2窗口 keras...