朱小丰
朱小丰

YOLOV3 源码 module.py

主要是说明程序解析cfg文件 实现实例化module的流程。
以及网络cfg各个层次与module各个层次的对应
源码地址：https://github.com/ultralytics/yolov3 

一.YOLOV3流程图

纯手画的。。。

这里input shape 是 224 224 3 

检测的类别数是10类

YOLOV3 源码 module.py_第1张图片

YOLOV3 源码 module.py_第2张图片

YOLOV3 源码 module.py_第3张图片

YOLOV3 源码 module.py_第4张图片

二.cfg文件

1网络一些设定

YOLOV3 源码 module.py_第5张图片

动量优化算法的系数

学习率的衰减系数 

2卷积层

YOLOV3 源码 module.py_第6张图片

3shortcut层

对应residual block 中 shortcut操作

4yolo层以及yolo层之前的conv层

yolo之前的卷积层相当于检测的结果，我这里设定的是10分类，这里45对应3*（5+classnumbers）

3指的是每个网格对应三个anchor的检测

5指4+1， 4是anchor 的中心坐标 及 长宽 1 指是否包含物体

yolo层中mask的编号是指使用哪三个尺度的anchor

 

YOLOV3 源码 module.py_第7张图片

5 反卷积层

6route层

指用于把feature 进行concat操作。

三.打印模型的Summary

Model Summary: 222 layers, 6.15722e+07 parameters, 6.15722e+07 gradients
----------------------------------------------------------------
        Layer (type)               Output Shape         Param #
================================================================
            Conv2d-1         [-1, 32, 224, 224]             864
       BatchNorm2d-2         [-1, 32, 224, 224]              64
         LeakyReLU-3         [-1, 32, 224, 224]               0
            Conv2d-4         [-1, 64, 112, 112]          18,432
       BatchNorm2d-5         [-1, 64, 112, 112]             128
         LeakyReLU-6         [-1, 64, 112, 112]               0
            Conv2d-7         [-1, 32, 112, 112]           2,048
       BatchNorm2d-8         [-1, 32, 112, 112]              64
         LeakyReLU-9         [-1, 32, 112, 112]               0
           Conv2d-10         [-1, 64, 112, 112]          18,432
      BatchNorm2d-11         [-1, 64, 112, 112]             128
        LeakyReLU-12         [-1, 64, 112, 112]               0
WeightedFeatureFusion-13         [-1, 64, 112, 112]               0
           Conv2d-14          [-1, 128, 56, 56]          73,728
      BatchNorm2d-15          [-1, 128, 56, 56]             256
        LeakyReLU-16          [-1, 128, 56, 56]               0
           Conv2d-17           [-1, 64, 56, 56]           8,192
      BatchNorm2d-18           [-1, 64, 56, 56]             128
        LeakyReLU-19           [-1, 64, 56, 56]               0
           Conv2d-20          [-1, 128, 56, 56]          73,728
      BatchNorm2d-21          [-1, 128, 56, 56]             256
        LeakyReLU-22          [-1, 128, 56, 56]               0
WeightedFeatureFusion-23          [-1, 128, 56, 56]               0
           Conv2d-24           [-1, 64, 56, 56]           8,192
      BatchNorm2d-25           [-1, 64, 56, 56]             128
        LeakyReLU-26           [-1, 64, 56, 56]               0
           Conv2d-27          [-1, 128, 56, 56]          73,728
      BatchNorm2d-28          [-1, 128, 56, 56]             256
        LeakyReLU-29          [-1, 128, 56, 56]               0
WeightedFeatureFusion-30          [-1, 128, 56, 56]               0
           Conv2d-31          [-1, 256, 28, 28]         294,912
      BatchNorm2d-32          [-1, 256, 28, 28]             512
        LeakyReLU-33          [-1, 256, 28, 28]               0
           Conv2d-34          [-1, 128, 28, 28]          32,768
      BatchNorm2d-35          [-1, 128, 28, 28]             256
        LeakyReLU-36          [-1, 128, 28, 28]               0
           Conv2d-37          [-1, 256, 28, 28]         294,912
      BatchNorm2d-38          [-1, 256, 28, 28]             512
        LeakyReLU-39          [-1, 256, 28, 28]               0
WeightedFeatureFusion-40          [-1, 256, 28, 28]               0
           Conv2d-41          [-1, 128, 28, 28]          32,768
      BatchNorm2d-42          [-1, 128, 28, 28]             256
        LeakyReLU-43          [-1, 128, 28, 28]               0
           Conv2d-44          [-1, 256, 28, 28]         294,912
      BatchNorm2d-45          [-1, 256, 28, 28]             512
        LeakyReLU-46          [-1, 256, 28, 28]               0
WeightedFeatureFusion-47          [-1, 256, 28, 28]               0
           Conv2d-48          [-1, 128, 28, 28]          32,768
      BatchNorm2d-49          [-1, 128, 28, 28]             256
        LeakyReLU-50          [-1, 128, 28, 28]               0
           Conv2d-51          [-1, 256, 28, 28]         294,912
      BatchNorm2d-52          [-1, 256, 28, 28]             512
        LeakyReLU-53          [-1, 256, 28, 28]               0
WeightedFeatureFusion-54          [-1, 256, 28, 28]               0
           Conv2d-55          [-1, 128, 28, 28]          32,768
      BatchNorm2d-56          [-1, 128, 28, 28]             256
        LeakyReLU-57          [-1, 128, 28, 28]               0
           Conv2d-58          [-1, 256, 28, 28]         294,912
      BatchNorm2d-59          [-1, 256, 28, 28]             512
        LeakyReLU-60          [-1, 256, 28, 28]               0
WeightedFeatureFusion-61          [-1, 256, 28, 28]               0
           Conv2d-62          [-1, 128, 28, 28]          32,768
      BatchNorm2d-63          [-1, 128, 28, 28]             256
        LeakyReLU-64          [-1, 128, 28, 28]               0
           Conv2d-65          [-1, 256, 28, 28]         294,912
      BatchNorm2d-66          [-1, 256, 28, 28]             512
        LeakyReLU-67          [-1, 256, 28, 28]               0
WeightedFeatureFusion-68          [-1, 256, 28, 28]               0
           Conv2d-69          [-1, 128, 28, 28]          32,768
      BatchNorm2d-70          [-1, 128, 28, 28]             256
        LeakyReLU-71          [-1, 128, 28, 28]               0
           Conv2d-72          [-1, 256, 28, 28]         294,912
      BatchNorm2d-73          [-1, 256, 28, 28]             512
        LeakyReLU-74          [-1, 256, 28, 28]               0
WeightedFeatureFusion-75          [-1, 256, 28, 28]               0
           Conv2d-76          [-1, 128, 28, 28]          32,768
      BatchNorm2d-77          [-1, 128, 28, 28]             256
        LeakyReLU-78          [-1, 128, 28, 28]               0
           Conv2d-79          [-1, 256, 28, 28]         294,912
      BatchNorm2d-80          [-1, 256, 28, 28]             512
        LeakyReLU-81          [-1, 256, 28, 28]               0
WeightedFeatureFusion-82          [-1, 256, 28, 28]               0
           Conv2d-83          [-1, 128, 28, 28]          32,768
      BatchNorm2d-84          [-1, 128, 28, 28]             256
        LeakyReLU-85          [-1, 128, 28, 28]               0
           Conv2d-86          [-1, 256, 28, 28]         294,912
      BatchNorm2d-87          [-1, 256, 28, 28]             512
        LeakyReLU-88          [-1, 256, 28, 28]               0
WeightedFeatureFusion-89          [-1, 256, 28, 28]               0
           Conv2d-90          [-1, 512, 14, 14]       1,179,648
      BatchNorm2d-91          [-1, 512, 14, 14]           1,024
        LeakyReLU-92          [-1, 512, 14, 14]               0
           Conv2d-93          [-1, 256, 14, 14]         131,072
      BatchNorm2d-94          [-1, 256, 14, 14]             512
        LeakyReLU-95          [-1, 256, 14, 14]               0
           Conv2d-96          [-1, 512, 14, 14]       1,179,648
      BatchNorm2d-97          [-1, 512, 14, 14]           1,024
        LeakyReLU-98          [-1, 512, 14, 14]               0
WeightedFeatureFusion-99          [-1, 512, 14, 14]               0
          Conv2d-100          [-1, 256, 14, 14]         131,072
     BatchNorm2d-101          [-1, 256, 14, 14]             512
       LeakyReLU-102          [-1, 256, 14, 14]               0
          Conv2d-103          [-1, 512, 14, 14]       1,179,648
     BatchNorm2d-104          [-1, 512, 14, 14]           1,024
       LeakyReLU-105          [-1, 512, 14, 14]               0
WeightedFeatureFusion-106          [-1, 512, 14, 14]               0
          Conv2d-107          [-1, 256, 14, 14]         131,072
     BatchNorm2d-108          [-1, 256, 14, 14]             512
       LeakyReLU-109          [-1, 256, 14, 14]               0
          Conv2d-110          [-1, 512, 14, 14]       1,179,648
     BatchNorm2d-111          [-1, 512, 14, 14]           1,024
       LeakyReLU-112          [-1, 512, 14, 14]               0
WeightedFeatureFusion-113          [-1, 512, 14, 14]               0
          Conv2d-114          [-1, 256, 14, 14]         131,072
     BatchNorm2d-115          [-1, 256, 14, 14]             512
       LeakyReLU-116          [-1, 256, 14, 14]               0
          Conv2d-117          [-1, 512, 14, 14]       1,179,648
     BatchNorm2d-118          [-1, 512, 14, 14]           1,024
       LeakyReLU-119          [-1, 512, 14, 14]               0
WeightedFeatureFusion-120          [-1, 512, 14, 14]               0
          Conv2d-121          [-1, 256, 14, 14]         131,072
     BatchNorm2d-122          [-1, 256, 14, 14]             512
       LeakyReLU-123          [-1, 256, 14, 14]               0
          Conv2d-124          [-1, 512, 14, 14]       1,179,648
     BatchNorm2d-125          [-1, 512, 14, 14]           1,024
       LeakyReLU-126          [-1, 512, 14, 14]               0
WeightedFeatureFusion-127          [-1, 512, 14, 14]               0
          Conv2d-128          [-1, 256, 14, 14]         131,072
     BatchNorm2d-129          [-1, 256, 14, 14]             512
       LeakyReLU-130          [-1, 256, 14, 14]               0
          Conv2d-131          [-1, 512, 14, 14]       1,179,648
     BatchNorm2d-132          [-1, 512, 14, 14]           1,024
       LeakyReLU-133          [-1, 512, 14, 14]               0
WeightedFeatureFusion-134          [-1, 512, 14, 14]               0
          Conv2d-135          [-1, 256, 14, 14]         131,072
     BatchNorm2d-136          [-1, 256, 14, 14]             512
       LeakyReLU-137          [-1, 256, 14, 14]               0
          Conv2d-138          [-1, 512, 14, 14]       1,179,648
     BatchNorm2d-139          [-1, 512, 14, 14]           1,024
       LeakyReLU-140          [-1, 512, 14, 14]               0
WeightedFeatureFusion-141          [-1, 512, 14, 14]               0
          Conv2d-142          [-1, 256, 14, 14]         131,072
     BatchNorm2d-143          [-1, 256, 14, 14]             512
       LeakyReLU-144          [-1, 256, 14, 14]               0
          Conv2d-145          [-1, 512, 14, 14]       1,179,648
     BatchNorm2d-146          [-1, 512, 14, 14]           1,024
       LeakyReLU-147          [-1, 512, 14, 14]               0
WeightedFeatureFusion-148          [-1, 512, 14, 14]               0
          Conv2d-149           [-1, 1024, 7, 7]       4,718,592
     BatchNorm2d-150           [-1, 1024, 7, 7]           2,048
       LeakyReLU-151           [-1, 1024, 7, 7]               0
          Conv2d-152            [-1, 512, 7, 7]         524,288
     BatchNorm2d-153            [-1, 512, 7, 7]           1,024
       LeakyReLU-154            [-1, 512, 7, 7]               0
          Conv2d-155           [-1, 1024, 7, 7]       4,718,592
     BatchNorm2d-156           [-1, 1024, 7, 7]           2,048
       LeakyReLU-157           [-1, 1024, 7, 7]               0
WeightedFeatureFusion-158           [-1, 1024, 7, 7]               0
          Conv2d-159            [-1, 512, 7, 7]         524,288
     BatchNorm2d-160            [-1, 512, 7, 7]           1,024
       LeakyReLU-161            [-1, 512, 7, 7]               0
          Conv2d-162           [-1, 1024, 7, 7]       4,718,592
     BatchNorm2d-163           [-1, 1024, 7, 7]           2,048
       LeakyReLU-164           [-1, 1024, 7, 7]               0
WeightedFeatureFusion-165           [-1, 1024, 7, 7]               0
          Conv2d-166            [-1, 512, 7, 7]         524,288
     BatchNorm2d-167            [-1, 512, 7, 7]           1,024
       LeakyReLU-168            [-1, 512, 7, 7]               0
          Conv2d-169           [-1, 1024, 7, 7]       4,718,592
     BatchNorm2d-170           [-1, 1024, 7, 7]           2,048
       LeakyReLU-171           [-1, 1024, 7, 7]               0
WeightedFeatureFusion-172           [-1, 1024, 7, 7]               0
          Conv2d-173            [-1, 512, 7, 7]         524,288
     BatchNorm2d-174            [-1, 512, 7, 7]           1,024
       LeakyReLU-175            [-1, 512, 7, 7]               0
          Conv2d-176           [-1, 1024, 7, 7]       4,718,592
     BatchNorm2d-177           [-1, 1024, 7, 7]           2,048
       LeakyReLU-178           [-1, 1024, 7, 7]               0
WeightedFeatureFusion-179           [-1, 1024, 7, 7]               0
          Conv2d-180            [-1, 512, 7, 7]         524,288
     BatchNorm2d-181            [-1, 512, 7, 7]           1,024
       LeakyReLU-182            [-1, 512, 7, 7]               0
          Conv2d-183           [-1, 1024, 7, 7]       4,718,592
     BatchNorm2d-184           [-1, 1024, 7, 7]           2,048
       LeakyReLU-185           [-1, 1024, 7, 7]               0
          Conv2d-186            [-1, 512, 7, 7]         524,288
     BatchNorm2d-187            [-1, 512, 7, 7]           1,024
       LeakyReLU-188            [-1, 512, 7, 7]               0
          Conv2d-189           [-1, 1024, 7, 7]       4,718,592
     BatchNorm2d-190           [-1, 1024, 7, 7]           2,048
       LeakyReLU-191           [-1, 1024, 7, 7]               0
          Conv2d-192            [-1, 512, 7, 7]         524,288
     BatchNorm2d-193            [-1, 512, 7, 7]           1,024
       LeakyReLU-194            [-1, 512, 7, 7]               0
          Conv2d-195           [-1, 1024, 7, 7]       4,718,592
     BatchNorm2d-196           [-1, 1024, 7, 7]           2,048
       LeakyReLU-197           [-1, 1024, 7, 7]               0
          Conv2d-198             [-1, 45, 7, 7]          46,125
       YOLOLayer-199          [-1, 3, 7, 7, 15]               0
   FeatureConcat-200            [-1, 512, 7, 7]               0
          Conv2d-201            [-1, 256, 7, 7]         131,072
     BatchNorm2d-202            [-1, 256, 7, 7]             512
       LeakyReLU-203            [-1, 256, 7, 7]               0
        Upsample-204          [-1, 256, 14, 14]               0
   FeatureConcat-205          [-1, 768, 14, 14]               0
          Conv2d-206          [-1, 256, 14, 14]         196,608
     BatchNorm2d-207          [-1, 256, 14, 14]             512
       LeakyReLU-208          [-1, 256, 14, 14]               0
          Conv2d-209          [-1, 512, 14, 14]       1,179,648
     BatchNorm2d-210          [-1, 512, 14, 14]           1,024
       LeakyReLU-211          [-1, 512, 14, 14]               0
          Conv2d-212          [-1, 256, 14, 14]         131,072
     BatchNorm2d-213          [-1, 256, 14, 14]             512
       LeakyReLU-214          [-1, 256, 14, 14]               0
          Conv2d-215          [-1, 512, 14, 14]       1,179,648
     BatchNorm2d-216          [-1, 512, 14, 14]           1,024
       LeakyReLU-217          [-1, 512, 14, 14]               0
          Conv2d-218          [-1, 256, 14, 14]         131,072
     BatchNorm2d-219          [-1, 256, 14, 14]             512
       LeakyReLU-220          [-1, 256, 14, 14]               0
          Conv2d-221          [-1, 512, 14, 14]       1,179,648
     BatchNorm2d-222          [-1, 512, 14, 14]           1,024
       LeakyReLU-223          [-1, 512, 14, 14]               0
          Conv2d-224           [-1, 45, 14, 14]          23,085
       YOLOLayer-225        [-1, 3, 14, 14, 15]               0
   FeatureConcat-226          [-1, 256, 14, 14]               0
          Conv2d-227          [-1, 128, 14, 14]          32,768
     BatchNorm2d-228          [-1, 128, 14, 14]             256
       LeakyReLU-229          [-1, 128, 14, 14]               0
        Upsample-230          [-1, 128, 28, 28]               0
   FeatureConcat-231          [-1, 384, 28, 28]               0
          Conv2d-232          [-1, 128, 28, 28]          49,152
     BatchNorm2d-233          [-1, 128, 28, 28]             256
       LeakyReLU-234          [-1, 128, 28, 28]               0
          Conv2d-235          [-1, 256, 28, 28]         294,912
     BatchNorm2d-236          [-1, 256, 28, 28]             512
       LeakyReLU-237          [-1, 256, 28, 28]               0
          Conv2d-238          [-1, 128, 28, 28]          32,768
     BatchNorm2d-239          [-1, 128, 28, 28]             256
       LeakyReLU-240          [-1, 128, 28, 28]               0
          Conv2d-241          [-1, 256, 28, 28]         294,912
     BatchNorm2d-242          [-1, 256, 28, 28]             512
       LeakyReLU-243          [-1, 256, 28, 28]               0
          Conv2d-244          [-1, 128, 28, 28]          32,768
     BatchNorm2d-245          [-1, 128, 28, 28]             256
       LeakyReLU-246          [-1, 128, 28, 28]               0
          Conv2d-247          [-1, 256, 28, 28]         294,912
     BatchNorm2d-248          [-1, 256, 28, 28]             512
       LeakyReLU-249          [-1, 256, 28, 28]               0
          Conv2d-250           [-1, 45, 28, 28]          11,565
       YOLOLayer-251        [-1, 3, 28, 28, 15]               0
================================================================
Total params: 61,572,199
Trainable params: 61,572,199
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 0.57
Forward/backward pass size (MB): 292.12
Params size (MB): 234.88
Estimated Total Size (MB): 527.58

 

WeightedFeatureFusion 对应着shotcut 操作

FeatureConcat

 

YOLOV3 源码 module.py_第8张图片

YOLOV3 源码 module.py_第9张图片

 

四.YOLO layer的实现

YOLOV3 源码 module.py_第10张图片

YOLOV3 源码 module.py_第11张图片 

YOLOV3 源码 module.py_第12张图片

YOLOV3 源码 module.py_第13张图片

 

 

 

 

 

 

 

 

你可能感兴趣的:(YOLOV3)

  • Yolo-v3利用GPU训练make时发生错误：/usr/bin/ld: cannot find -lcuda 徐小妞66666
    一.利用GPU训练Yolov3时，首先要修改MakeFile文件，修改格式如下：GPU=1(原来为0)CUDNN=1(原来为0)NVCC=/usr/local/cuda/bin/nvcc(新建,注意自己本机的地址)二.此时make产生错误/usr/bin/ld:cannotfind-lcuda1.查看MakeFile文件找到该行代码：LDFLAGS+=-L/usr/local/cuda/lib64
  • 目标检测-YOLOv3 wydxry 深度学习目标检测YOLO深度学习
    YOLOv3介绍YOLOv3(YouOnlyLookOnce,Version3)是YOLO系列目标检测模型的第三个版本，相较于YOLOv2有了显著的改进和增强，尤其在检测速度和精度上表现优异。YOLOv3的设计目标是在保持高速的前提下提升检测的准确性和稳定性。下面是对YOLOv3改进和优势的介绍，以及YOLOv3核心部分的代码展示。相比YOLOv2的改进与优势多尺度特征金字塔YOLOv3引入了FP
  • 目标检测-YOLOv4 wydxry 深度学习目标检测YOLO目标跟踪
    YOLOv4介绍YOLOv4是YOLO系列的第四个版本，继承了YOLOv3的高效性，并通过大量优化和改进，在目标检测任务中实现了更高的精度和速度。相比YOLOv3，YOLOv4在框架设计、特征提取、训练策略等方面进行了全面升级。它在保持实时检测的同时，显著提升了检测性能，尤其在复杂场景中的表现尤为出色。相比YOLOv3的改进与优势改进的Backbone(CSPDarknet-53)YOLOv4使用
  • 来了，YoloV5的TensorFlow版开源 半壶雪
    开源自从yolov5开源以来，(不管因为啥原因)深受瞩目，我最近用tensorflow实现了其主要部分。可能是第一个纯正的tensorfow2版本，欢迎tryandstar：github.com/LongxingTan…之前在工作中接触过yolov3(跑过demo应该就算接触过了)，效果惊艳。我在视觉领域只是个新人(悲伤的是我一个中年人却在哪儿哪儿都TM是新人)，能力有限，疏漏难免。从头开始实现，
  • YOLO缺陷检测学习笔记（2） tt555555555555 YOLO缺陷检测学习笔记YOLO学习笔记
    YOLO缺陷检测学习笔记（2）残差连接1.**YOLO的残差连接结构**2.**YOLO使用残差连接的目的**3.**YOLO中的残差块**4.**YOLOv3和YOLOv4的残差连接架构**YOLO网络架构概述1.特征提取网络2.预测头（DetectionHead）3.后处理（Post-processing）YOLOv3/v4的改进YOLOv3YOLOv4SoftmaxSoftmax的性质：So
  • DNN学习平台（GoogleNet、SSD、FastRCNN、Yolov3） 吾名招财 人工智能MFC界面应用dnnopencv神经网络
    DNN学习平台（GoogleNet、SSD、FastRCNN、Yolov3）前言相关介绍1，登录界面：2，主界面：3，部分功能演示如下（1）识别网络图片（2）GoogleNet分类（3）人脸识别（4）SSD目标检测（5）FasterRCNN目标检测资源链接（含源码）前言  还记得上学那会儿刚学完几个深度学习模型的C++简单部署应用，当时特别兴奋，外加那会儿还能自己写界面生成应用程序了，就想着做一个
  • YOLO系列目标检测数据集大全_yolo数据集(1) 2401_84187537 程序员YOLO目标检测人工智能
    Darknet版YOLOv4猫狗识别训练好的权重文件：https://download.csdn.net/download/zhiqingAI/85541214Darknet版YOLOv3猫狗识别训练好的权重文件：https://download.csdn.net/download/zhiqingAI/85541209DeepSORT-YOLOv5猫狗检测和跟踪+可视化目标运动轨迹yolov7猫狗
  • 目标检测 | yolov8 原理和介绍 hero_hilog 目标检测AIYOLO目标检测
    相关系列：目标检测|yolov1原理和介绍目标检测|yolov2/yolo9000原理和介绍目标检测|yolov3原理和介绍目标检测|yolov4原理和介绍目标检测|yolov5原理和介绍目标检测|yolov6原理和介绍目标检测|yolov7原理和介绍目标检测|yolov8原理和介绍目标检测|yolov9原理和介绍目标检测|yolov10原理和介绍IEEE链接:https://ieeexplore
  • 【计算机视觉面经四】基于深度学习的目标检测算法面试必备（RCNN~YOLOv5） 旅途中的宽~ 计算机视觉面经总结计算机视觉深度学习目标检测YOLORCNN
    文章目录一、前言二、两阶段目标检测算法2.1RCNN2.2Fast-RCNN2.3FasterR-CNN三、多阶段目标检测算法3.1CascadeR-CNN四、单阶段目标检测算法4.1编码方式4.1.1基于中心坐标4.1.1.1方案14.1.1.2方案24.1.1.3方案34.2YOLOv14.3SSD4.4YOLOv24.5RetinaNet4.6YOLOv34.7YOLOv44.8YOLOv5
  • 深度学习||YOLO（You Only Look Once）深度学习的实时目标检测算法（YOLOv1~YOLOv5） 小嘤嘤怪学 深度学习算法目标检测
    目录YOLOv1:YOLOv2:YOLOv3:YOLOv4:YOLOv5:总结：YOLO（YouOnlyLookOnce）是一系列基于深度学习的实时目标检测算法。自从2015年首次被提出以来，YOLO系列不断发展，推出了多个版本，包括YOLOv1,YOLOv2,YOLOv3,YOLOv4,和YOLOv5等。下面是对YOLO系列的详解：YOLOv1:提出时间:2015年。主要贡献:将目标检测任务转换
  • 挑战杯 YOLOv7 目标检测网络解读 laafeer python
    文章目录0前言1yolov7的整体结构2关键点-backbone关键点-head3训练4使用效果5最后0前言世界变化太快，YOLOv6还没用熟YOLOv7就来了，如果有同学的毕设项目想用上最新的技术，不妨看看学长的这篇文章，学长带大家简单的解读yolov7，目的是对yolov7有个基础的理解。从2015年的YOLOV1，2016年YOLOV2，2018年的YOLOV3，到2020年的YOLOV4、
  • yolov3-tiny HelloWorldQAQ。 CNN模型介绍自动驾驶深度学习神经网络
    文章目录一、目标检测简介二、Yolov3-tiny2.1anchorbox2.2NMS算法三、后记一、目标检测简介针对一张图片，根据后续任务的需要，有三个主要层次。一是分类（Classification），即是将图像结构化为某一类别的信息，用事先确定好的类别或实例ID来描述图片，这一任务是最简单、最基础的图像理解任务，也是深度学习模型最先取得突破和实现大规模应用的任务。其中ImageNet是最权威
  • YOLO系列详解（YOLOV1-YOLOV3） X.AI666 深度学习yolo
    YOLO算法简介本文主要介绍YOLO算法，包括YOLOv1、YOLOv2/YOLO9000和YOLOv3。YOLO算法作为one-stage目标检测算法最典型的代表，其基于深度神经网络进行对象的识别和定位，运行速度很快，可以用于实时系统。了解YOLO是对目标检测算法研究的一个必须步骤。目标检测思路目标检测属于计算机视觉的一个中层任务，该任务可以细化为目标定位与目标识别两个任务，简单来说，找到图片中
  • AI助力农作物自动采摘，基于YOLOv3全系列【yolov3tiny/yolov3/yolov3spp】参数模型开发构建作物生产场景下番茄采摘检测计数分析系统 Together_CZ 人工智能YOLO
    去年十一那会无意间刷到一个视频展示的就是德国机械收割机非常高效自动化地24小时不间断地在超广阔的土地上采摘各种作物，专家设计出来了很多用于采摘不同农作物的大型机械，看着非常震撼，但是我们国内农业的发展还是相对比较滞后的，小的时候拔草是一个人一列蹲在地里就在那埋头拔草，不知道什么时候才能走到地的尽头，小块的分散的土地太多基本上都是只能人工手工来取收割，大点的连片的土地可以用收割机来收割，不过收割机基
  • 如何用OpenCV加载Yolov5并使用CUDA加速 geekboys
    1背景随着Pytorch、TensorFlow等有效的框架被用来深度的学习开发，各种任务的模型也层出不穷。但是大多的部署往往依赖签名的两个框架，需要前面的两个框架大量的库。而且先前的Yolov3和Yolov4有官方直接支持，可以自接加载weights和cfg文件。部署起来相对来说就很简单，但是最新的Yolov5确实基于Pytorch版本的，这使用Opencv部署起来就稍微的麻烦了。可以这时候我们希
  • 在C++上如何使用OpenCV头文件是什么_用OpenCV的dnn模块调用yolov3模型 weixin_39785858
    前言在实际应用场景，我们用darknet的GPU版本训练自己的数据，得到权值文件，然后我们可以调用训练的好的模型去实现自己的检测项目。一般情况下，我们可以使用opencv的dnn模块去调用yolov3。下面大致讲解一下如何是实现调用。一、环境准备1、编译好darknet的GPU版本。可参考我的文章https://zhuanlan.zhihu.com/p/1343471762、安装好opencv3.
  • C++ OpenCV-dnn模块调用模型进行目标检测 （支持CUDA加速） 枸杞叶儿 经验笔记深度学习神经网络
    前言OpenCV4.4开始支持YOLOv4模型的调用，需要使用Opencv的DNN模块。编译安装OpenCV和OpenCV-contrib库步骤，点此链接C++OpenCV调用YOLO模型的完整代码点此下载一、模型加载constexprconstchar*darknet_cfg="../face/yolov3-tiny.cfg";//网络文件constexprconstchar*darknet_w
  • Darknet yolov3 Makefile文件解析 未完城 ubuntudeep-learningdarknetlinuxmakefile
    文章目录1.darknetMakefile注释2.reference现在搞深度学习都在linux平台，经常遇到gcc手动编译的时候。由于linux平台没有通用的IDE，大家都是靠Makefile配置文件进行make。在学习darknet框架的过程中，决定要顺便搞清楚Makefile的写法和参数配置。Makefile完整的教程网上有很多，我暂时也不打算完整学一遍，仅仅把遇到的都搞懂，下次遇到新的东西
  • 【从零开始学习YOLOv3】5. 网络模型的构建 pprpp
    前言：之前几篇讲了cfg文件的理解、数据集的构建、数据加载机制和超参数进化机制，本文将讲解YOLOv3如何从cfg文件构造模型。本文涉及到一个比较有用的部分就是bias的设置，可以提升mAP、F1、P、R等指标，还能让训练过程更加平滑。1.cfg文件在YOLOv3中，修改网络结构很容易，只需要修改cfg文件即可。目前，cfg文件支持convolutional,maxpool,unsample,ro
  • python相对导入错误，ValueError: attempted relative import beyond top-level package aminghhhh pythonpycharm
    在yolov3的文件中出现了类似的相对导入错误，同时类似的还有ValueError:attemptedrelativeimportnoparentpackage或者明明存在的.py文件报错说不存在，例如Modulenofound：utilsisnoamodle/XXXisnotamodle。。。这是由于在引入文件的时候相对导入的问题直接说解决方法：将相对导入改为绝对导入1.先右键点击package
  • 经典目标检测YOLO系列(三)YOLOv3算法详解 undo_try #深度学习目标检测YOLOpython
    经典目标检测YOLO系列(三)YOLOv3算法详解不论是YOLOv1，还是YOLOv2，都有一个共同的致命缺陷：小目标检测的性能差。尽管YOLOv2使用了passthrough技术将16倍降采样的特征图（即C4特征图）融合到了C5特征图中，但最终的检测仍是在C5尺度的特征图上进行的。为了解决这一问题，YOLO作者做了第3次改进，主要改进如下：使用了更好的主干网络DarkNet-53使用了多级检测与
  • 经典目标检测YOLO系列(三)YOLOv3的复现(2)正样本的匹配、损失函数的实现 undo_try #深度学习目标检测YOLO
    经典目标检测YOLO系列(三)YOLOv3的复现(2)正样本的匹配、损失函数的实现我们在之前实现YOLOv2的基础上，加入了多级检测及FPN，快速的实现了YOLOv3的网络架构，并且实现了前向推理过程。经典目标检测YOLO系列(三)YOLOV3的复现(1)总体网络架构及前向处理过程我们继续进行YOLOv3的复现。1正样本匹配策略1.1基于先验框的正样本匹配策略官方YOLOv2的正样本匹配思路是根据
  • 经典目标检测YOLO系列(三)YOLOV3的复现(1)总体网络架构及前向处理过程 undo_try #深度学习目标检测YOLO人工智能
    经典目标检测YOLO系列(三)YOLOV3的复现(1)总体网络架构及前向处理过程和之前实现的YOLOv2一样，根据《YOLO目标检测》(ISBN:9787115627094)一书，在不脱离YOLOv3的大部分核心理念的前提下，重构一款较新的YOLOv3检测器，来对YOLOv3有更加深刻的认识。书中源码连接:RT-ODLab:YOLOTutorial1、YOLOv3网络架构1.1DarkNet53主
  • keras yolo v3调用笔记本本地摄像头实时监测 A大于_963a
    最近在学习yolov3，下载了yolo的keras版本，按照工程里readme中将权重下载，运行Convert后，可以进行yolo的图像检测，图像检测命令：pythonyolo_video.py--image，然后在提示下输入图片路径即可实现本地图片检测。本地视频检测：pythonyolo_video.py--inputxxx.mp4即可实时检测本地视频。然后，想用笔记本的自带摄像头进行实时检测，
  • YOLOv3测试和训练 weixin_42103837 python
    参考文章：学习YOLO系列的个人总结_boss-dog的博客-CSDN博客windows操作系统上运行ultralytics/yolov3进行目标检测_itsgoodtobebad的专栏-CSDN博客0.环境windows101.下载2.建立虚环境、安装包安装包非常缓慢忘了指定下载源$pipinstall-rrequirements.txt指定下载源pipinstall-rrequirements
  • [C#]winform部署yolov7+CRNN实现车牌颜色识别车牌号检测识别 FL1623863129 C#YOLO
    【官方框架地址】https://github.com/WongKinYiu/yolov7.git【框架介绍】Yolov7是一种目标检测算法，全称YouOnlyLookOnceversion7。它是继Yolov3和Yolov4之后的又一重要成果，是目标检测领域的一个重要里程碑。Yolov7在算法结构上继承了其前作Yolov3和Yolov4的设计思想，但在许多方面进行了优化和改进。它采用了深度学习技术
  • 用python实现yolov3检测工业相机视频 蘑菇的神 python音视频计算机视觉
    前言：学习记录环境：windows+pycharm+yolov3相机：海康工业网口相机：MV-CA020-20GC(Gige，彩色，全局)1.网上有很多网络摄像头跑yolo的案例，但是，不行。网络摄像头和工业相机不一样！yolo是能直接检测网络摄像头的视频的（这个我没有试过，因为没有网络摄像头）./darknetdetectordemocfg/coco.datacfg/yolov3.cfgyolo
  • 手把手教你用深度学习做物体检测(一)： 快速感受物体检测的酷炫 AAI机器之心 深度学习人工智能YOLOcnn机器学习
    我们先来看看什么是物体检测，见下图：如上图所示，物体检测就是需要检测出图像中有哪些目标物体，并且框出其在图像中的位置。本篇文章，我将会介绍如何利用训练好的物体检测模型来快速实现上图的效果，这里我们将会用到基于coco数据集训练的yolov3模型，该模型能识别80类物品，具体如下：人自行车汽车摩托车飞机公共汽车火车卡车船红绿灯消防栓停车标志停车收费码表长凳鸟猫狗马羊牛大象熊斑马长颈鹿双肩包雨伞手提包
  • 基于树莓派与YOLOv3模型的人体目标检测小车（三） 凌乱533
    模型效果：在上文中，我们制作了数据集，并利用数据集进行了模型的训练，利用静态图片和视频对模型的检测效果进行了检验，发现效果还是不错的。imageimage前两张为静态图片检测，后一张为视频检测效果截图。image但是模型要想部署在算力微弱的树莓派上，还需要进行两次模型转化才能运行在NCS上进行前向推理。模型转化：第一次转化：（.weight-->.pb）这里的模型转化OpenVINO给出了官方指南
  • YOLOv3(Pytorch版本和Tensorflow版本）学习 南叔先生 机器学习pytorchtensorflow深度学习
    一、地址来源YOLOv4最全复现代码合集（含PyTorch/TF/Keras和Caffe等）二、Pytorch版本地址：https://github.com/Tianxiaomo/pytorch-YOLOv4这个地址支持训练RequirementsandDependenciespipinstallnumpy==1.18.2#CPUonlypipinstalltorch==1.4.0+cputorc
  • 安装数据库首次应用 Array_06 javaoraclesql
    可是为什么再一次失败之后就变成直接跳过那个要求 enter full pathname of java.exe的界面 这个java.exe是你的Oracle 11g安装目录中例如：【F:\app\chen\product\11.2.0\dbhome_1\jdk\jre\bin】下的java.exe 。不是你的电脑安装的java jdk下的java.exe！ 注意第一次，使用SQL D
  • Weblogic Server Console密码修改和遗忘解决方法 bijian1013 Welogic
            在工作中一同事将Weblogic的console的密码忘记了，通过网上查询资料解决，实践整理了一下。 一.修改Console密码         打开weblogic控制台，安全领域 --> myrealm -->&n
  • IllegalStateException: Cannot forward a response that is already committed Cwind javaServlets
    对于初学者来说，一个常见的误解是：当调用 forward() 或者 sendRedirect() 时控制流将会自动跳出原函数。标题所示错误通常是基于此误解而引起的。 示例代码： protected void doPost() { if (someCondition) { sendRedirect(); } forward(); // Thi
  • 基于流的装饰设计模式 木zi_鸣 设计模式
    当想要对已有类的对象进行功能增强时，可以定义一个类，将已有对象传入，基于已有的功能，并提供加强功能。 自定义的类成为装饰类 模仿BufferedReader，对Reader进行包装，体现装饰设计模式 装饰类通常会通过构造方法接受被装饰的对象，并基于被装饰的对象功能，提供更强的功能。 装饰模式比继承灵活，避免继承臃肿，降低了类与类之间的关系 装饰类因为增强已有对象，具备的功能该
  • Linux中的uniq命令 被触发 linux
    Linux命令uniq的作用是过滤重复部分显示文件内容，这个命令读取输入文件，并比较相邻的行。在正常情 况下，第二个及以后更多个重复行将被删去，行比较是根据所用字符集的排序序列进行的。该命令加工后的结果写到输出文件中。输入文件和输出文件必须不同。如 果输入文件用“- ”表示，则从标准输入读取。 AD： uniq [选项] 文件 说明：这个命令读取输入文件，并比较相邻的行。在正常情况下，第二个
  • 正则表达式Pattern 肆无忌惮_ Pattern
    正则表达式是符合一定规则的表达式，用来专门操作字符串，对字符创进行匹配，切割，替换，获取。   例如，我们需要对QQ号码格式进行检验 规则是长度6~12位  不能0开头  只能是数字，我们可以一位一位进行比较，利用parseLong进行判断，或者是用正则表达式来匹配[1-9][0-9]{4,14} 或者 [1-9]\d{4,14} &nbs
  • Oracle高级查询之OVER (PARTITION BY ..) 知了ing oraclesql
    一、rank()/dense_rank() over(partition by ...order by ...) 现在客户有这样一个需求，查询每个部门工资最高的雇员的信息，相信有一定oracle应用知识的同学都能写出下面的SQL语句： select e.ename, e.job, e.sal, e.deptno from scott.emp e, (se
  • Python调试 矮蛋蛋 pythonpdb
    原文地址： http://blog.csdn.net/xuyuefei1988/article/details/19399137 1、下面网上收罗的资料初学者应该够用了，但对比IBM的Python 代码调试技巧： IBM：包括 pdb 模块、利用 PyDev 和 Eclipse 集成进行调试、PyCharm 以及 Debug 日志进行调试： http://www.ibm.com/d
  • webservice传递自定义对象时函数为空，以及boolean不对应的问题 alleni123 webservice
    今天在客户端调用方法 NodeStatus status=iservice.getNodeStatus(). 结果NodeStatus的属性都是null。 进行debug之后，发现服务器端返回的确实是有值的对象。 后来发现原来是因为在客户端，NodeStatus的setter全部被我删除了。 本来是因为逻辑上不需要在客户端使用setter， 结果改了之后竟然不能获取带属性值的
  • java如何干掉指针，又如何巧妙的通过引用来操作指针————>说的就是java指针 百合不是茶
    C语言的强大在于可以直接操作指针的地址，通过改变指针的地址指向来达到更改地址的目的,又是由于c语言的指针过于强大，初学者很难掌握， java的出现解决了c，c++中指针的问题 java将指针封装在底层，开发人员是不能够去操作指针的地址，但是可以通过引用来间接的操作：   定义一个指针p来指向a的地址（&是地址符号）：        
  • Eclipse打不开，提示“An error has occurred.See the log file ***/.log” bijian1013 eclipse
    打开eclipse工作目录的\.metadata\.log文件，发现如下错误： !ENTRY org.eclipse.osgi 4 0 2012-09-10 09:28:57.139 !MESSAGE Application error !STACK 1 java.lang.NoClassDefFoundError: org/eclipse/core/resources/IContai
  • spring aop实例annotation方法实现 bijian1013 javaspringAOPannotation
            在spring aop实例中我们通过配置xml文件来实现AOP，这里学习使用annotation来实现，使用annotation其实就是指明具体的aspect,pointcut和advice。1.申明一个切面(用一个类来实现)在这个切面里,包括了advice和pointcut AdviceMethods.jav
  • [Velocity一]Velocity语法基础入门 bit1129 velocity
    用户和开发人员参考文档 http://velocity.apache.org/engine/releases/velocity-1.7/developer-guide.html   注释 1.行级注释## 2.多行注释#*  *#   变量定义 使用$开头的字符串是变量定义，例如$var1, $var2,   赋值 使用#set为变量赋值，例
  • 【Kafka十一】关于Kafka的副本管理 bit1129 kafka
    1. 关于request.required.acks   request.required.acks控制者Producer写请求的什么时候可以确认写成功，默认是0， 0表示即不进行确认即返回。 1表示Leader写成功即返回，此时还没有进行写数据同步到其它Follower Partition中 -1表示根据指定的最少Partition确认后才返回，这个在   Th
  • lua统计nginx内部变量数据 ronin47 lua nginx　 统计
    server { listen 80; server_name photo.domain.com; location /{set $str $uri; content_by_lua ' local url = ngx.var.uri local res = ngx.location.capture(
  • java-11.二叉树中节点的最大距离 bylijinnan java
    import java.util.ArrayList; import java.util.List; public class MaxLenInBinTree { /* a. 1 / \ 2 3 / \ / \ 4 5 6 7 max=4 pass "root"
  • Netty源码学习-ReadTimeoutHandler bylijinnan javanetty
    ReadTimeoutHandler的实现思路： 开启一个定时任务，如果在指定时间内没有接收到消息，则抛出ReadTimeoutException 这个异常的捕获，在开发中，交给跟在ReadTimeoutHandler后面的ChannelHandler，例如 private final ChannelHandler timeoutHandler = new ReadTim
  • jquery验证上传文件样式及大小(好用) cngolon 文件上传jquery验证
    <!DOCTYPE html> <html> <head> <meta http-equiv="Content-Type" content="text/html; charset=utf-8" /> <script src="jquery1.8/jquery-1.8.0.
  • 浏览器兼容【转】 cuishikuan css浏览器IE
    浏览器兼容问题一：不同浏览器的标签默认的外补丁和内补丁不同 问题症状：随便写几个标签，不加样式控制的情况下，各自的margin 和padding差异较大。 碰到频率:100% 解决方案：CSS里    *{margin:0;padding:0;} 备注：这个是最常见的也是最易解决的一个浏览器兼容性问题，几乎所有的CSS文件开头都会用通配符*来设
  • Shell特殊变量：Shell $0, $#, $*, $@, $?, $$和命令行参数 daizj shell$#$?特殊变量
    前面已经讲到，变量名只能包含数字、字母和下划线，因为某些包含其他字符的变量有特殊含义，这样的变量被称为特殊变量。例如，$ 表示当前Shell进程的ID，即pid，看下面的代码： $echo $$ 运行结果 29949   特殊变量列表 变量 含义 $0 当前脚本的文件名 $n 传递给脚本或函数的参数。n 是一个数字，表示第几个参数。例如，第一个
  • 程序设计KISS 原则-------KEEP IT SIMPLE, STUPID! dcj3sjt126com unix
    翻到一本书，讲到编程一般原则是kiss：Keep It Simple, Stupid.对这个原则深有体会，其实不仅编程如此，而且系统架构也是如此。 KEEP IT SIMPLE, STUPID! 编写只做一件事情，并且要做好的程序；编写可以在一起工作的程序，编写处理文本流的程序，因为这是通用的接口。这就是UNIX哲学.所有的哲学真 正的浓缩为一个铁一样的定律，高明的工程师的神圣的“KISS 原
  • android Activity间List传值 dcj3sjt126com Activity
    第一个Activity： import java.util.ArrayList;import java.util.HashMap;import java.util.List;import java.util.Map;import android.app.Activity;import android.content.Intent;import android.os.Bundle;import a
  • tomcat 设置java虚拟机内存 eksliang tomcat 内存设置
    转载请出自出处：http://eksliang.iteye.com/blog/2117772 http://eksliang.iteye.com/ 常见的内存溢出有以下两种: java.lang.OutOfMemoryError: PermGen space java.lang.OutOfMemoryError: Java heap space   ------------
  • Android 数据库事务处理 gqdy365 android
    使用SQLiteDatabase的beginTransaction()方法可以开启一个事务，程序执行到endTransaction() 方法时会检查事务的标志是否为成功，如果程序执行到endTransaction()之前调用了setTransactionSuccessful() 方法设置事务的标志为成功则提交事务，如果没有调用setTransactionSuccessful() 方法则回滚事务。事
  • Java 打开浏览器 hw1287789687 打开网址open浏览器open browser打开url打开浏览器
    使用java 语言如何打开浏览器呢? 我们先研究下在cmd窗口中,如何打开网址 使用IE 打开 D:\software\bin>cmd /c start iexplore http://hw1287789687.iteye.com/blog/2153709 使用火狐打开 D:\software\bin>cmd /c start firefox http://hw1287789
  • ReplaceGoogleCDN：将 Google CDN 替换为国内的 Chrome 插件 justjavac chromeGooglegoogle apichrome插件
    Chrome Web Store 安装地址： https://chrome.google.com/webstore/detail/replace-google-cdn/kpampjmfiopfpkkepbllemkibefkiice 由于众所周知的原因，只需替换一个域名就可以继续使用Google提供的前端公共库了。 同样，通过script标记引用这些资源，让网站访问速度瞬间提速吧
  • 进程VS.线程 m635674608 线程
    资料来源： http://www.liaoxuefeng.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000/001397567993007df355a3394da48f0bf14960f0c78753f000 1、Apache最早就是采用多进程模式 2、IIS服务器默认采用多线程模式 3、多进程优缺点 优点： 多进程模式最大
  • Linux下安装MemCached 字符串 memcached
    前提准备：1. MemCached目前最新版本为：1.4.22，可以从官网下载到。2. MemCached依赖libevent，因此在安装MemCached之前需要先安装libevent。2.1 运行下面命令，查看系统是否已安装libevent。[root@SecurityCheck ~]# rpm -qa|grep libevent libevent-headers-1.4.13-4.el6.n
  • java设计模式之--jdk动态代理（实现aop编程） Supanccy2013 javaDAO设计模式AOP
        与静态代理类对照的是动态代理类，动态代理类的字节码在程序运行时由Java反射机制动态生成，无需程序员手工编写它的源代码。动态代理类不仅简化了编程工作，而且提高了软件系统的可扩展性，因为Java 反射机制可以生成任意类型的动态代理类。java.lang.reflect 包中的Proxy类和InvocationHandler 接口提供了生成动态代理类的能力。 &
  • Spring 4.2新特性-对java8默认方法(default method)定义Bean的支持 wiselyman spring 4
    2.1 默认方法(default method) java8引入了一个default medthod; 用来扩展已有的接口,在对已有接口的使用不产生任何影响的情况下,添加扩展 使用default关键字 Spring 4.2支持加载在默认方法里声明的bean 2.2 将要被声明成bean的类 public class DemoService {
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他