计算机视觉应用开发课件：基于YOLOv3的目标检测_第1页
计算机视觉应用开发课件：基于YOLOv3的目标检测_第2页
计算机视觉应用开发课件：基于YOLOv3的目标检测_第3页
计算机视觉应用开发课件：基于YOLOv3的目标检测_第4页
计算机视觉应用开发课件：基于YOLOv3的目标检测_第5页
已阅读5页，还剩7页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于YOLOv3的目标检测案例描述01任务案例目标02任务案例分析03任务案例实施04任务1案例描述1案例描述通过上述对目标检测方法的讲解，下面将对一个实例进行实操练习。本案例将学习如何使用预训练的YOLOv3模型权重实现测试图片中的物体检测，其中YOLOv3是属于目标检测深度学习中的one-stage算法。2案例目标案例目标了解YOLOv3目标检测模型的网络组成；调用目标检测中YOLOv3预训练模型；使用YOLOv3模型对图片进行目标检测。23案例分析案例分析YOLOv3是YOLO(YouOnlyLookOnce)系列目标检测算法中的第三版，相比之前的算法，尤其是针对小目标，精度有显著提升。YOLOv3算法使用的骨干网络是Darknet53。3Darknet53网络的具体结构如图所示，在ImageNet图像分类任务上取得了很好的成绩。在检测任务中，将图中C0后面的平均池化、全连接层和Softmax去掉，保留从输入到C0部分的网络结构，作为检测模型的基础网络结构，也称为骨干网络。YOLOv3模型会在骨干网络的基础上，再添加检测相关的网络模块。3案例分析YOLOv3算法的基本思想可以分成两部分：（1）按一定规则在图片上产生一系列的候选区域，然后根据这些候选区域与图片上物体真实框之间的位置关系对候选区域进行标注。跟真实框足够接近的那些候选区域会被标注为正样本，同时将真实框的位置作为正样本的位置目标。偏离真实框较大的那些候选区域则会被标注为负样本，负样本不需要预测位置或者类别。（2）使用卷积神经网络提取图片特征并对候选区域的位置和类别进行预测。这样每个预测框就可以看成是一个样本，根据真实框相对它的位置和类别进行了标注而获得标签值，通过网络模型预测其位置和类别，将网络预测值和标签值进行比较，就可以建立起损失函数。4案例实施4案例实施实例化一个yolo对象，调用detect_objects方法，该方法会返回三个值：bbox（位置坐标信息），label（所属类别标签）以及conf（配置信息）。yolo=YOLO(weights,config,labels)bbox,label,conf=yolo.detect_objects(img)调用draw_bbox方法会在图片上画框并标注所属类别。yolo.draw

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论