YOLOV3实战项目

YOLOV3实战项目

四、标签文件的读取与处理

coco数据集有80个类别，而前面的第一个数代表着类别所对应的序号。

2.
后面表示前面所代表物体在这张图片上的坐标。

3.
但是2中的类别所对应的坐标是指图片还没有pad之前的位置，现在经过pad的处理，物体的相对位置也发生了变化。

4.

5.

6.

7.
此时的target中存放着这张图片所属类别的编号，图片中的物体所处的相对坐标。

8.

9.

五、debug模式的介绍

六、基于配置文件构建网络模型

2.

3.

它不仅仅是单独的一个层，它是一个组合，所以在代码中，也得表现出来

5.
了解一下上采样层的操作。

七、路由层和shortcut层

1.route拼接操作

2.

3.
自己为-1层

4.


5.

下图是8中9个不同框h和w的配比。

然后再找到由于这个歌检测大目标的所以这个得是6,7，8号框的h和w的配比（先验框实际的h和w的大小）

八、YOLO层定义解析

2.、在daknet中的yolo层有3个

九、预测结果计算

2.

3.

4.

5.

6.

十、网格偏移计算

. 2.
由于我们最终是要在输入图片上显示我们目标所在的位置，而现在此处的x，y
是相对于黑色点的位置，所以第一步我们要把黑色点的位置换成相对于1313格子的绝对位置，然后，再通过1313的格子位置也是一个相对位置，那我们还需要把这个13*13的位置转换成输入图片的位置。

下面这个代码干的就是这个事儿

3.

下图红色的框分为两种，第一种是我们在原图上框的大小，还有一种就是在我们YOLO网路中处理后的三种目标检测后的特征矩阵图上面框的大小，由于特征矩阵图大小的变化，所以对于下面的9中先验框的大小也会不一样，需要对这些框进行成比例的变化。

4.

这计算的相对于13*13格子中的相对位置

5.
从最后一个特征矩阵图中还原到输入图片的位置中去，其中需要还原的只是坐标，confidence值和类别的概率不需要还原。

十一、模型要计算的损失的描述

计算损失值

2.
计算损失的时候，我们需要与target做比较，但是呢，我们的最终的预测结果是相对于最后一个特征矩阵而言的，所以我们需要把这些预测结果映射到输入图片上面去。

3.

4中损失函数的类别。

十二、标签值格式修改

目前并不知道到原始图片上那些位置有目标，所以先进初始化，把所有的位置都初试化为0，然后再通过预测结果，把有物体的位置上都设置成为1

2.
实际上有目标考虑的是一个前景，没有目标考虑的是一个背景。在这里能不能使用其他技术，来区分前景和背景。

3.

4.
暂时拿0作为填充，之后会用1做填充

5.

6.

十三、坐标相对位置计算

3.

best_n表示三个候选框中与真实候选框iou值最大的候选框的编号，候选框的编号为：0,1，2

4.

6

7.

十四、完成所有损失函数所需的计算指标

2.

3.

十五、模型的训练和总结

2.

十六、预期要过展示

2.
下面是一个测试图片的文件夹路径

3.
需要测试的文件

4.

已经训练好的权重参数

5.

6.