yolo

Yolo-v3 and Yolo-v2 for Windows and Linux（适用于Windows和Linux的Yolo-v3和Yolo-v2） (neural network for object detection) - Tensor Cores can be used on Linux and Windows （用于目标检测的神经网络）-张量核可以在Linux和Windows上使用 More details 更多细节: http://pjreddie.com/darknet/yolo/ Requirements (and how to install dependecies) Pre-trained models Explanations in issues Yolo v3 in other frameworks (TensorRT, TensorFlow, PyTorch, OpenVINO, OpenCV-dnn,…) Datasets Improvements in this repository How to use How to compile on Linux Using cmake Using make How to compile on Windows Using CMake-GUI Using vcpkg Legacy way How to train

目录 前言 一、Abstract（概括） 二、Introduction（介绍） 三、Unified Detection（统一检测） 1、Network Design（网络设计） 2、Training（训练） 3、Inference（推论） 4、Limitations of YOLO（YOLO的局限性） 前言 看过很多的YOLO中文版学习笔记，干货比较多，但是，有点干，对于很多想要入门的童鞋来说，看着很难理解，一些概念晦涩难懂，一些英文表述不知为何意。所以从这一篇博客开始，我尽量用比较简单的语言来讲述YOLO v1，把我个人的理解分享给大家，希望大家能够学懂YOLO，会用YOLO。 我会讲的很细，所以一篇博客来说一篇论文，内容有点多，我会分成两个博客来讲述YOLO论文还会有一部分博客作为补充，希望大家能认真学习，文中的如果哪里写的不好或者有错误，还希望大家能够不吝赐教。 先分享一波YOLO相关的文章，帮助大家更好的学习YOLO。 1.YOLO v1 论文笔记1： https://blog.csdn.net/shuiyixin/article/details/82533849 2.YOLO v1 论文笔记2： https://blog.csdn.net/shuiyixin/article/details/82560920 3.YOLO v1 代码实战 ： https://blog

目录 前言 一、Comparison to Other Detection Systems（与其他检测系统的比较） 二、Experiments（实验） 1、Comparison to Other Real-Time Systems（与其他实时系统的比较） 2、VOC 2007 Error Analysis（VOC 2007误差分析） 3、Combining Fast R-CNN and YOLO（ Fast R-CNN与YOLO的结合） 4、VOC 2012 Results（VOC 2012结果） 5、 Generalizability: Person Detection in Artwork（概述：图像中的人物检测） 三、Real-Time Detection In The Wild（自然环境下的实时检测） 四、Conclusion（结论） 前言 昨天第一部分的笔记已经发布，第一部分介绍了YOLO的概述及其检测原理。如果大家第一次打开的是这篇博客，希望大家可以抽空先看一下 论文笔记1 ，如果大家对YOLO有了一定了解，对YOLO的原理也掌握的很好，可以跳过。 这篇博客中主要是讲如下几个方面： 1. YOLO与其他检测系统的对比 ，我们可以通过这一部分对YOLO和相关检测系统之间的对比：YOLO和已有的一些物体检测方法有什么区别，他们各自的优点和缺点是什么，YOLO比他们强在哪里。

文章目录 Abstract 1. Introduction 2. Unified Detection 2.1. Network Design 2.2. Training 2.3. Inference 2.4. Limitations of YOLO 3. Comparison to Other Detection Systems 4. Experiments 4.1. Comparison to Other Real-Time Systems 4.2. VOC 2007 Error Analysis 4.3. Combining Fast R-CNN and YOLO 4.4. VOC 2012 Results 4.5. Generalizability: Person Detection in Artwork 5. Real-Time Detection In The Wild 6. Conclusion Abstract We present YOLO, a new approach to object detection. Prior work on object detection repurposes classifiers to perform detection. Instead, we frame object detection as a regression

I installed pytorch via conda with cuda 7.5 conda install pytorch=0.3.0 cuda75 -c pytorch >>> import torch >>> torch.cuda.is_available() True I didn't do any other installations for cuda other than this, since it looks like pytorch comes with cuda Now, I am trying to setup yolo2 https://github.com/longcw/yolo2-pytorch However, I am getting error in ./make.sh command this is the error OSError: The nvcc binary could not be located in your $PATH. Either add it to your path, or set $CUDAHOME I'm assuming I need to set CUDAHOME in my path, but I am not able to locate any cuda directory having nvcc

　　目标检测模型主要分为two-stage和one-stage， one-stage的代表主要是yolo系列和ssd。简单记录下学习yolo系列的笔记。 1 yolo V1 　　　yolo v1是2015年的论文 you only look once：unified，real-time object detection 中提出，为one-stage目标检测的开山之作。其网络架构如下：（24个卷积层和两个全连接层，注意最后一个全连接层可以理解为1*4096到1*1470（7*7*30）的线性变换） 　　yolo v1的理解主要在于三点： 　　 1.1 网格划分 ： 输入图片为448*448，yolo将其划为为49(7*7)个cell, 每个cell只负责预测一个物体框， 如果这个物体的中心点落在了这个cell中，这个cell就负责预测这个物体 　　 　　 1.2 预测结果 ：最后网络的输出为7*7*30， 也可以看做49个1*30的向量，每个向量的组成如下： (x, y, w, h, confidence) *2 + 20; 即 每一个向量预测两个bounding box及对应的置信度，还有物体属于20个分类（VOC数据集包括20分类）的概率。 　 1.3 Loss 函数理解 ：loss函数如下图所示，下面几个概念需要理清楚 　　　　　　　s2：最后网络的输出为7*7*30，

前言 当我们谈起计算机视觉时，首先想到的就是图像分类，没错，图像分类是计算机视觉最基本的任务之一，但是在图像分类的基础上，还有更复杂和有意思的任务，如目标检测，物体定位，图像分割等，见图1所示。其中目标检测是一件比较实际的且具有挑战性的计算机视觉任务，其可以看成图像分类与定位的结合，给定一张图片，目标检测系统要能够识别出图片的目标并给出其位置，由于图片中目标数是不定的，且要给出目标的精确位置，目标检测相比分类任务更复杂。目标检测的一个实际应用场景就是无人驾驶，如果能够在无人车上装载一个有效的目标检测系统，那么无人车将和人一样有了眼睛，可以快速地检测出前面的行人与车辆，从而作出实时决策。 近几年来，目标检测算法取得了很大的突破。比较流行的算法可以分为两类，一类是基于Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN），它们是two-stage的，需要先使用启发式方法（selective search）或者CNN网络（RPN）产生Region Proposal，然后再在Region Proposal上做分类与回归。(这里还是蛮重要的)而另一类是Yolo，SSD这类one-stage算法，其仅仅使用一个CNN网络直接预测不同目标的类别与位置。第一类方法（RCNN系列）是准确度高一些，但是速度慢，但是第二类算法是速度快

目标检测解决的是计算机视觉任务的基本问题：即What objects are where？图像中有什么目标，在哪里？这意味着，我们不仅要用算法判断图片中是不是要检测的目标， 还要在图片中标记出它的位置， 用边框或红色方框把目标圈起来。如下图 目前存在的一些挑战在于：除了计算机视觉任务都存在的 不同视角、不同光照条件以及类内差异 等之外，还存在 目标旋转和尺度变化(如小目标) ，如何精确的目标定位，密集和遮挡条件下的目标检测，以及如何加快检测速度等。 下图是目标检测的发展历程： 以 2014 年为界，目标检测分为传统目标检测时期(区域选择,特征提取,分类)和基于深度学习的目标检测时期(目标分类和目标定位) 　　比较流行的算法可以分为两类:（two-stage和one-stage，前者是由粗到精的过程，而后者则一步到位。） 目前对于One-Stage算法的主要 创新 主要集中在如何设计CNN结构、如何构建网络目标以及如何设计损失函数上 　一类是基于 Region Proposal 的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN等），它们是 two-stage 的，需要先通过算法 产生目标候选框 ，也就是目标位置，然后再对候选框 做分类与回归。 　而另一类是 Yolo，SSD这类one-stage 算法

参考： 每月深度1-2：YOLO V3-网络结构输入输出解析-史上最全 [代码剖析] 推荐阅读！ 之前看了一遍 YOLO V3 的论文，写的挺有意思的 ，尴尬的是，我这鱼的记忆，看完就忘了 于是只能借助于代码，再看一遍细节了。 源码目录总览 tensorflow-yolov3-master ├── checkpoint //保存模型的目录 ├── convert_weight.py//对权重进行转换，为了模型的预训练 ├── core//核心代码文件夹 │ ├── backbone.py │ ├── common.py │ ├── config.py//配置文件 │ ├── dataset.py//数据处理 │ ├── __init__.py │ ├── __pycache__ │ │ ├── backbone.cpython-36.pyc │ │ ├── common.cpython-36.pyc │ │ ├── config.cpython-36.pyc │ │ ├── dataset.cpython-36.pyc │ │ ├── __init__.cpython-36.pyc │ │ ├── utils.cpython-36.pyc │ │ └── yolov3.cpython-36.pyc │ ├── utils.py │ └── yolov3.py//网络核心结构 ├──