爱刨根知识网

  1. 首页 > 经验知识 > >

idx是什么意思啊 idx是什么文件

生活百科生活经验

作为目前机器学习领域最火热的研究方百思特网向之一，计算机视觉相关的技术一直备受 。其中，目标检测是计算机视觉领域常见的问题之一，如何平衡检测的质量和算法的速度很重要 。对于这个问题，计算机视觉工程师、VirtusLab 创始人 Piotr Skalski 发表了自己的心得，分享了关于他最喜欢的计算机视觉算法 YOLO 的实践资料 。以下便是他的全文 。
前言
YOLO 是我最喜欢的计算机视觉算法之一，在很长一段时间里，我计划着专为它写一篇博文 。然而，我不希望它成为另一篇详细解释 YOLO 背后工作原理的文章，网上有很多文章都很好地涵盖了它理论方面的知识 。除此之外，如果你想加深对这个架构的理解，直接从源代码获取信息并阅读源文件（https://arxiv.org/abs/1506.02640）也是一个好主意 。
基于 YouTube-8M 数据集的篮球场球员移动检测
这一次，我将向你展示如何快速地、以相对较低的代价和不那么强大的机器创建目标检测模型，这个模型能够检测任何你选择的对象 。如果你需要在工作中快速测试你的想法，或者只是有一小段时间建立在家构建你的项目，这是一个很好的方法 。去年，我有机会进行了几个这样的实验，本文中出百思特网现的所有可视化结果都是出自这些项目 。
注意：这一次，我们将主要使用开源库和工具，因此我们网站上的编码量将是最小的 。但是，为了鼓励你使用 YOLO 并为你的项目提供一个起点，我还提供了脚本，允许你下载我的预训练模型以及所有配置文件和测试数据集 。像往常一样，你会在我的 GitHub 上找到所有的内容：https://github.com/SkalskiP/ILearnDeepLearning.py/tree/master/02_data_science_toolkit/02_yolo_object_detection 。
YOLO
所有不知道 YOLO 是什么的人不要担心，也不要去任何地方找资料！我现在简要地解释一下我说的是什么 。
YOLO 是一种实时目标检测算法，它是第一个平衡所提供检测的质量和速度的算法 。通常，这类最强大的模型，都是建立在卷积神经网络的基础上，这次也不例外 。所谓「目标检测模型」，我们的意思是，我们不仅可以用它来找出给定照片中存在的对象，还可以用它来指示它们的位置和数量 。除其他外，这种模型在机器人和汽车工业中都有应用，因此检测速度至关重要 。自2015年以来，该算法已经进行了三次迭代，还有为 TinyYOLO 等移动设备设计的变体 。移动版本的精度有限，但计算要求也较低，运行速度更快 。
数据集
和深度学习一样，创建模型的第一步是准备一个数据集 。有监督的学习是查看标记的示例并在数据中发现不明显的模式 。我必须承认创建一个数据集是一个相当乏味的任务，因此我准备了一个脚本，允许你下载我的象棋数据集，并查看 YOLO 如何在这个例子中工作 。
但那些想要建立自己的数据集的人面临着挑战 。为了实现这个目标，我们需要收集一组图像并创建匹配的标签文件 。图片应该包含我们想识别的对象，并且，数据集中所有对象的类的分布应该类似 。如你所见，在我的第一个项目——篮球探测器中，我使用了游戏视频中的框架 。
篮球数据集的图像样本
标签文件应该与图像具有相同的名称，但显然具有不同的扩展名，并且应该位于并行目录中 。最佳数据结构如下所示 。除了 images 和 labels 目录之外，我们还必须准备 class_names.txt 文件，该文件定义我们计划检测的对象类的名称 。这个文件的每一行代表一个类，应该包含一个或多个没有空格的单词 。
标记
不幸的是，YOLO 需要一个特定的标签格式，这是大多数免费标签工具不支持的 。为了消除从 VOC XML、VGG JSON 或其他广泛使用的格式解析标签的需要，我们将利用 makesense.ai（https://www.makesense.ai/），这里是我在 GitHub 上开发的一个免费开源项目（https://github.com/SkalskiP/make-sense） 。编辑器不仅支持直接导出到 YOLO 格式，而且直观，不需要安装，可以在浏览器中工作 。此外，它还支持多种功能，旨在加快你的标签工作 。可以使用 MakeSense 查看人工智能支持的标记过程 。

推荐阅读


上一篇：治理雾霾的方法与措施 治理雾霾的方法

下一篇：口水鸡是哪个地方的菜系 口水鸡是哪里的菜