計(jì)算機(jī)視覺應(yīng)用開發(fā)課件：基于YOLOv3的目標(biāo)檢測

基于YOLOv3的目標(biāo)檢測案例描述01任務(wù)案例目標(biāo)02任務(wù)案例分析03任務(wù)案例實(shí)施04任務(wù)1案例描述1案例描述通過上述對目標(biāo)檢測方法的講解，下面將對一個實(shí)例進(jìn)行實(shí)操練習(xí)。本案例將學(xué)習(xí)如何使用預(yù)訓(xùn)練的YOLOv3模型權(quán)重實(shí)現(xiàn)測試圖片中的物體檢測，其中YOLOv3是屬于目標(biāo)檢測深度學(xué)習(xí)中的one-stage算法。2案例目標(biāo)案例目標(biāo)了解YOLOv3目標(biāo)檢測模型的網(wǎng)絡(luò)組成；調(diào)用目標(biāo)檢測中YOLOv3預(yù)訓(xùn)練模型；使用YOLOv3模型對圖片進(jìn)行目標(biāo)檢測。23案例分析案例分析YOLOv3是YOLO(YouOnlyLookOnce)系列目標(biāo)檢測算法中的第三版，相比之前的算法，尤其是針對小目標(biāo)，精度有顯著提升。YOLOv3算法使用的骨干網(wǎng)絡(luò)是Darknet53。3Darknet53網(wǎng)絡(luò)的具體結(jié)構(gòu)如圖所示，在ImageNet圖像分類任務(wù)上取得了很好的成績。在檢測任務(wù)中，將圖中C0后面的平均池化、全連接層和Softmax去掉，保留從輸入到C0部分的網(wǎng)絡(luò)結(jié)構(gòu)，作為檢測模型的基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)，也稱為骨干網(wǎng)絡(luò)。YOLOv3模型會在骨干網(wǎng)絡(luò)的基礎(chǔ)上，再添加檢測相關(guān)的網(wǎng)絡(luò)模塊。3案例分析YOLOv3算法的基本思想可以分成兩部分：（1）按一定規(guī)則在圖片上產(chǎn)生一系列的候選區(qū)域，然后根據(jù)這些候選區(qū)域與圖片上物體真實(shí)框之間的位置關(guān)系對候選區(qū)域進(jìn)行標(biāo)注。跟真實(shí)框足夠接近的那些候選區(qū)域會被標(biāo)注為正樣本，同時將真實(shí)框的位置作為正樣本的位置目標(biāo)。偏離真實(shí)框較大的那些候選區(qū)域則會被標(biāo)注為負(fù)樣本，負(fù)樣本不需要預(yù)測位置或者類別。（2）使用卷積神經(jīng)網(wǎng)絡(luò)提取圖片特征并對候選區(qū)域的位置和類別進(jìn)行預(yù)測。這樣每個預(yù)測框就可以看成是一個樣本，根據(jù)真實(shí)框相對它的位置和類別進(jìn)行了標(biāo)注而獲得標(biāo)簽值，通過網(wǎng)絡(luò)模型預(yù)測其位置和類別，將網(wǎng)絡(luò)預(yù)測值和標(biāo)簽值進(jìn)行比較，就可以建立起損失函數(shù)。4案例實(shí)施4案例實(shí)施實(shí)例化一個yolo對象，調(diào)用detect_objects方法，該方法會返回三個值：bbox（位置坐標(biāo)信息），label（所屬類別標(biāo)簽）以及conf（配置信息）。yolo=YOLO(weights,config,labels)bbox,label,conf=yolo.detect_objects(img)調(diào)用draw_bbox方法會在圖片上畫框并標(biāo)注所屬類別。yolo.draw