优点Darknet是一个比较小众的深度学习框架，没有社区，主要靠作者团队维护，所以推广较弱，用的人不多。而且由于维护人员有限，功能也不如tensorflow等框架那么强大，但是该框架还是有一些独有的优点： 1.易于安装：在makefile里面选择自己需要的附加项（cuda，cudnn，opencv等）直接make即可，几分钟完成安装； 2.没有任何依赖项：整个框架都用C语言进行编写，可以不依赖任何
Yolo-You Only Look OnceYOLO算法采用一个单独的CNN模型实现end-to-end的目标检测：Resize成448448，图片分割得到77网格(cell)CNN提取特征和预测：卷积部分负责提取特征。全链接部分负责预测：过滤bbox（通过nms） • YOLO算法整体来说就是把输入的图片划分为SS格子，这里是33个格子。 • 当被检测的目标的中心点落入这个格子时，这个格子负责
转载
2024-03-01 22:47:34
239阅读
Tensorflow2.0学习笔记（二）——Keras练习 文章目录Tensorflow2.0学习笔记（二）——Keras练习前言二、使用步骤1.实现步骤及代码2.下载 Fashion MNIST 数据集3.获取数据参数及查看数据4.数据预处理5.构建模型6.训练和评估模型7.预测数据三、程序运行结果1.获取数据参数结果2.训练和评估结果3.预测结果总结 前言本次Keras的学习用到了Fashio
转载
2024-05-28 13:12:24
0阅读
在UI自动化测试中，界面控件识别是基石。在计算机视觉领域中，有很多经典的目标识别模型，我们尝试将YOLO模型迁移至自动化测试领域界面控件识别中。迁移训练后的模型需要部署到生产环境，TensorFlow Serving是一种模型部署方法，只需几行简单的代码就可以维护模型的整个生命周期。下面将以原YOLO V3 tensorflow版模型为例从环境准备、模型格式转换、服务部署和调用以及最后的性能对比四
转载
2024-05-13 13:51:21
77阅读
作者：Martin 编译：三石 【新智元导读】TensorFlow2.0，终于要来了！开发团队决定于今年下半年发布TensorFlow2.0预览版，更好的满足广大用户的需求。 新智元报道 者：Martin 【新智元导读】TensorFlow2.0，终于要来了！开发团队决定于今年下半年发布TensorFlow2.0预览版，更好的满足广大用户的
转载
2024-04-23 17:10:35
36阅读
文章目录一、导入数据1. 获取类别名2. 数据可视化3. 加载数据文件4. 划分数据二、自建模型三、模型训练1. 优化器与损失函数2. 模型的训练四、结果分析 大家好，我是K同学啊，今天讲《深度学习100例》PyTorch版的第3个例子，前面一些例子主要还是以带大家了解PyTorch为主，建议手动敲一下代码，只有自己动手了，才能真正体会到里面的内容，光看不练是没有用的。今天的重点是在PyTorc
转载
2023-11-01 17:58:23
444阅读
Tensorflow2.0—YOLO V4-tiny网络原理及代码解析（三）- 损失函数的构建YOLO V4中的损失函数与V3还是有比较大的区别的，具体的可以看YOLOV4与YOLOV3的区别。 代码是在nets文件夹下面的loss.py文件中，在train.py中引用的是：model_loss = Lambda(yolo_loss, output_shape=(1,), name='yolo_l
转载
2024-05-30 08:53:17
164阅读
导读 对深度学习的需求不断增长。越来越多的科学家和开发人员加入了深度学习的行列。假设你已经开始了你的深度学习之旅，并且已经在人工神经网络上玩了一段时间。或者，你只是想开始。不管是哪种情况，你都会发现自己有点左右为难。你已经读过各种深度学习框架和库，也许有两个非常突出。两个最受欢迎的深度学习库：Tensorflow和PyTorch。你不知道到底有什么区别。www.arkai.net01Te
转载
2024-05-16 19:23:36
74阅读
此文章只是自己看论文和博客的一些总结和通过代码得到的一些细节，为了以后自己方便查阅，如有错误，欢迎指正。1.论文和SSD-tensorflow代码论文地址：https://arxiv.org/abs/1512.02325代码链接：https://github.com/balancap/SSD-Tensorflow2.yolo算法与SSD算法区别 two-stage方法：主要用到的是fas
目录定位和检测直接用神经网络滑动窗口R-CNN （Region CNN）Fast R-CNNFaster R-CNNYOLOv1 （You Only Look Once）YOLOv2YOLOv3YOLOv4YOLOv5YOLOv5 应用代码例子定位和检测把图片里的物体找到并框起来比如把图片中的车子找到并框起来
比如人脸识别，对于全身照，要先把脸部找出来，然后再做识别甚至要求找出图片的多种物体，比如
Darknet19原理 Darknet19是一个轻量级的卷积神经网络，用于图像分类和检测任务。 它是YOLOv2目标检测算法的主干网络，它的优点在于具有较少的参数和计算量，在计算速度和精度之间取得了良好的平衡，同时在训练过程中也具有较高的准确率和收敛速度。 &
import numpy as np
import mxnet as mx
import logging
logging.getLogger().setLevel(logging.DEBUG) # logging to stdoutmxnet基本数据结构ndarrayndarray是mxnet中最基本的数据结构，ndarray和mxnet的关系与tensor和pytorch的关系类似。该数据结构
转载
2024-09-16 09:45:17
27阅读
YOLO V1算法的优点(1). 速度快,基本上能达到了实时分辨。 (2). 能学到物体的广义表示，泛化能力强 (3). 基于图像的全局信息进行预测，与滑动窗口与region proposal 有区别数据处理##数据处理 基于pascal_voc数据集进行处理
import numpy as np
import xml.etree.ElementTree as ET
import cv2
im
转载
2024-05-31 15:09:39
47阅读
tips：大部分资源来自https://www.jianshu.com/p/3943be47fe84，这里权当一组学习记录。 另外推荐一个英文详解blog：YOLO V3 PyTorch实现1 环境说明TensorFlow-gpu 1.8Keras 2.2.4，安装方式：进入tensorflow env ，conda install kerasOpenCV 3.4.4python 3.6.3代码库
转载
2023-08-06 17:17:03
677阅读
Tensorflow2.0—YOLO V4-tiny网络原理及代码解析（一）- 特征提取网络代码链接：yolov4-tiny-tf2-master （密码：yum7） 先来看看YOLO V4-tiny的特征提取网络是长什么样子的。个人认为，大体的框架与YOLO V3的相似，只不过在里面加了3个tricks，让网络更加容易训练一般来说，YOLO V4-tiny与YOLO V4差别在于tiny版本最后
转载
2024-05-08 15:22:02
158阅读
我们基本了解了YOLOV3网络在进行前向运算的细节，这里具体说明下YOLOV3在预测过程中的流程：输入一张任意大小图片，保持长宽比不变的情况下，缩放至 w 或 h 达到416，再覆盖在416*416的新图上，作为网络的输入。即网络的输入是一张416*416，3通道的RGB图。运行网络。YOLO的CNN网络把图片分成 S*S 个网格（yolov3多尺度预测，输出3层，每层 S *
转载
2024-02-27 14:51:36
392阅读
统一回复： 距离这篇也已经过去有一段时间了，而且到目前 yolo_v3 的论文以及源码已经放出，这里推荐大家看完论文后直接实现 v3 的代码，目前我已经调通并在自己的数据集上做了训练及先关验证，都达到了比 yolo_v1 好很多的效果，过一段时间我会整理上来并发在博客上，我建了一个关于keras 实现 yolo_v3 的微信群，如果大家对 yolo 感兴趣把微信号可以发我邮箱 shrcq@ms
转载
2024-07-19 15:42:37
29阅读
一、全部代码如下：代码部分tf函数见下面第二部分。yolo2的预测过程大致分为以下3部分。1、model_darknet19.py：yolo2网络模型——darknet19。YOLOv2采用了一个新的基础模型（特征提取器），称为Darknet-19，包括19个卷积层和5个maxpooling层，如下图。Darknet-19与VGG16模型设计原则是一致的，主要采用3 * 3卷积，采用2 * 2的m
转载
2024-02-13 15:01:50
130阅读
Yolo背景Yolo的训练和检测均在一个端到端的网络中进行，将物体检测作为回归问题求解，输入图像经过一次Inference，便能得到图像中所有物体的位置和其所属类别及相应置信概率。这种直接选用整图训练模型的架构可以更好的区分目标和背景区域，相比于proposal的方法更少把背景区域误检为目标。Inference过程YOLO网络结构由24个卷积层与2个全链接层构成，卷积层用来提取图像特征，全链接层用
转载
2024-05-23 16:06:06
229阅读
YOLOv3代码详解：一、预测过程：1.网络结构的定义： 网络最后得到的detect_1,detect_2,detect_3.三个尺度的形状分别为：[1, 507（13X13X3）, 5+c]、[1, 2028, 5+c]、[1, 8112, 5+c]其中Yolo_block是一个正常卷积(不改变图像大小)组成的模块，生成route和inputs两个结果，route 用于配合下一个尺度
转载
2024-03-15 19:01:45
139阅读
