从0到1实现YOLOv3

目录

• 0.简介
• • 0.0 如何从零开始手写简介
  • 0.1 前提知识
  • • 0.1.1 全卷积神经网络，Fully Convolutional Neural Network
    • 0.1.2 锚箱 Anchor Boxes
    • 0.1.3 做出预测 Making Predictions
    • 0.1.4 中心坐标 Center Coordinates
    • 0.1.5 边界框的尺寸 Dimensions of the Bounding Box
    • 0.1.6 客观评分 Objectness Score
    • 0.1.7 阶级机密 Class Confidences
    • 0.1.8 跨不同尺度的预测 Prediction across different scales
    • 0.1.9 输出处理 Output Processing
    • 0.1.10 对象置信度阈值 Thresholding by Object Confidence
    • 0.1.11 非最大抑制 Non-maximum Suppression
    • 0.1.12 实现方案 Our Implementation
• 1.构建YOLOv3层
• • 1.1 开始
  • 1.2 配置文件
  • 1.3 解析配置文件
  • 1.4 创建构建块
  • 1.5 路由层/捷径层
  • 1.6 YOLO 层
  • 1.7 测试代码
• 2.YOLO 网络架构
• • 2.0 前提条件
  • 2.1 定义网络
  • 2.2 实现该网络前向传播
  • 2.3 卷积层和上采样层
  • 2.4 路由层／捷径层
  • 2.5 YOLO（检测层）
  • 2.6 变换输出
  • 2.7 重新访问的检测层
  • 2.8 测试前向传播
  • 2.9 下载预训练权重
  • 2.10 理解权重文件
  • 2.11 加载权重
• 3. 目标分阈值和非极大值抑制
• • 3.1 目标置信度阈值
  • 3.2 执行非极大值抑制
  • 3.3 计算IoPU
  • 3.4 预测
• 4. 设计输入和输出的流程
• • 4.1 创建detector.py文件
  • 4.2 创建命令行参数
  • 4.3 加载网络
  • 4.4 读入输入图片
  • 4.5 创建批
  • 4.6 检测循环体
  • 4.7 在图像上绘制边界框
  • 4.8 打印时间日志：
  • 4.9 测试目标检测器
  • 4.10 在视频/摄像机上运行检测器
• 5 总结