前言 在目标检测中用交并比(Interection-over-unio,简称 IOU)来衡量两个边界框之间的重叠程度,下面就使用 numpy 和 pytorch 两种框架的矢量计算方式来快速计算各种情况下的 IOU. 一对一 先来计算最简单的单框对单框的交并比.假设两个预测框 \(b_0=(x_{min0},\ y_{min0},\ x_{max0},\ y_{max0})\) 和 \(b_1=(x_{min1},\ y_{min1},\ x_{max1},\ y_{max1})\) ,固定 \

1.IOU=交集/并集 #include<iostream> #include<algorithm> #include<stdio.h> #include <vector> #include<string> #include<sstream> #include<map> #include<set> #include<iomanip> #include <functional> // st

在使用 torchvision.transforms进行数据处理时我们经常进行的操作是: transforms.Normalize((0.485,0.456,0.406), (0.229,0.224,0.225)) 前面的(0.485,0.456,0.406)表示均值,分别对应的是RGB三个通道:后面的(0.229,0.224,0.225)则表示的是标准差 这上面的均值和标准差的值是ImageNet数据集计算出来的,所以很多人都使用它们 但是如果你想要计算自己的数据集的均值和标准差,让其作为你的

PyTorch 实战:计算 Wasserstein 距离 2019-09-23 18:42:56 This blog is copied from: https://mp.weixin.qq.com/s/nTUKYNxdiPK3xdOoSXvTJQ 最优传输理论及 Wasserstein 距离是很多读者都希望了解的基础,本文主要通过简单案例展示了它们的基本思想,并通过 PyTorch 介绍如何实战 W 距离. 机器学习中的许多问题都涉及到令两个分布尽可能接近的思想,例如在 GAN 中令生成器分布

在上一篇里我们实现了forward函数.得到了prediction.此时预测出了特别多的box以及各种class probability,现在我们要从中过滤出我们最终的预测box. 理解了yolov3的输出的格式及每一个位置的含义,并不难理解源码.我在阅读源码的过程中主要的困难在于对pytorch不熟悉,所以在这篇文章里,关于其中涉及的一些pytorch中的函数的用法我都已经用加粗标示了并且给出了相应的链接,测试代码等. obj score threshold 我们设置一个obj score t

前言 SSD 的全称是 Single Shot MultiBox Detector,它和 YOLO 一样,是 One-Stage 目标检测算法中的一种.由于是单阶段的算法,不需要产生所谓的候选区域,所以 SSD 可以达到很高的帧率,同时 SSD 中使用了多尺度的特征图来预测目标,所以 mAP 可以比肩甚至超过 Faster R-CNN.在这篇博客中,我们会详细地介绍 SSD 的原理,并使用 pytorch 来实现 SSD. 模型结构 VGG16 SSD 的结构如上图所示,可以看到 SSD 使用

本节翻译自:https://blog.paperspace.com/how-to-implement-a-yolo-v3-object-detector-from-scratch-in-pytorch-part-4/ 前一节我们实现了网络的前向传播.这一节我们对检测输出设置目标置信度阈值和进行非极大值抑制. 必要条件: 1.此系列教程的Part1到Part3. 2.Pytorch的基本知识,包括如何使用nn.Module,nn.Sequential,torch.nn.parameter类构建常规

如何判断对象检测算法运作良好呢? 一.交并比(Intersection over union,IoU) 是产生的候选框(candidate bound)与原标记框(ground truth bound)的交叠率,即它们的交集与并集的比值,理想情况下是完全重叠,即比值为1 一般约定,在计算机检测任务中,如果IoU≥0.5,就说检测正确.当然0.5只是约定阈值,你可以将IoU的阈值定的更高.IoU越高,边界框越精确. 二.非极大值抑制(Non-Maximum Suppression,NMS) 非极大

最近在学习PyTorch,  但是对里面的数据类和数据加载类比较迷糊,可能是封装的太好大部分情况下是不需要有什么自己的操作的,不过偶然遇到一些自己导入的数据时就会遇到一些问题,因此自己对此做了一些小实验,小尝试. 下面给出一个常用的数据类使用方式: def data_tf(x): x = np.array(x, dtype='float32') / 255 # 将数据变到 0 ~ 1 之间 x = (x - 0.5) / 0.5 # 标准化,这个技巧之后会讲到 x = x.reshape((-1

一.前言 损失函数计算主要分析两部分一部分是yolo_head函数的分析另一部分为ignore_mask的生成的分析. 二.重要细节分析 2.1损失函数计算具体代码及部分分析 def yolo_loss(args, anchors, num_classes, ignore_thresh=.5, print_loss=False): #args前三个元素为yolov3输出的预测值,后三个维度为保存的label 值 '''Return yolo_loss tensor Parameters ----

我以为只有box能计算iou值,但我看了maskrcnn后,发现该模型对mask进行了iou的计算,该方法巧妙之处在于 mask1与mask2必须有相同的height and width,而后在同一个位置的值累加,即交叉面积,而后将mask1与mask2 所有值累加为并集,而后计算类似于box的iou计算了. 然而,我为了简化,将变量a看作mask,并将mask1与mask2均等于a,以下是详细代码: import numpy as npa=np.array([[1,0,1,0,1,1],[1,

1. IoU(区域交并比) 计算IoU的公式如下图,可以看到IoU是一个比值,即交并比. 在分子中,我们计算预测框和ground-truth之间的重叠区域: 分母是并集区域,或者更简单地说,是预测框和ground-truth所包含的总区域. 重叠区域和并集区域的比值,就是IoU. 1.1 为什么使用IoU来评估目标检测器 与分类任务不同,我们预测的bounding box的坐标需要去匹配ground-truth的坐标,而坐标完全匹配基本是不现实的.因此,我们需要定义一个评估指标,奖励那些与gro

FLOPS:注意全大写,是floating point operations per second的缩写,意指每秒浮点运算次数,理解为计算速度.是一个衡量硬件性能的指标. FLOPs:注意s小写,是floating point operations的缩写(s表复数),意指浮点运算数,理解为计算量.可以用来衡量算法/模型的复杂度. 网上打字很容易全小写,造成混淆,本问题针对模型,应指的是FLOPs. 以下答案不考虑activation function的运算. 卷积层: Ci=input chan

上期讲解了目标检测中的三种数据增强的方法,这期我们讲讲目标检测中用来评估对象检测算法的IOU和CIOU的原理应用以及代码实现. 交并比IOU(Intersection over union) 在目标检测任务中,我们用框框来定位对象,如下图定位图片中这个汽车,假设实际框是图中红色的框框,你的算法预测给出的是紫色的框框,怎么判断你的算法预测的这个框框的效果好坏呢? 这就用到我们的交并比函数IOU了,计算公式如下: 将我们图片汽车的实际红色框记为A,算法的预测框记为B,交并比就是数学中A和B的交集A∩

前言 看了 Yolov3 的论文之后,发现这论文写的真的是很简短,神经网络的具体结构和损失函数的公式都没有给出.所以这里参考了许多前人的博客和代码,下面进入正题. 网络结构 Yolov3 将主干网络换成了 darknet53,整体的网络结构如下图所示(图片来自[论文解读]Yolo三部曲解读--Yolov3): 这里的 CONV 具体结构是 1 个 Conv2d + 1 个 BatchNorm2d + 1个 LeakyReLU (除了 Feature Map 1.2.3 前的 1×1 CONV),

学习率是深度学习中的一个重要超参数,选择合适的学习率能够帮助模型更好地收敛. 本文主要介绍深度学习训练过程中的6种学习率衰减策略以及相应的Pytorch实现. 1. StepLR 按固定的训练epoch数进行学习率衰减. 举例说明: # lr = 0.05 if epoch < 30 # lr = 0.005 if 30 <= epoch < 60 # lr = 0.0005 if 60 <= epoch < 90 在上述例子中,每30个epochs衰减十倍学习率. 计算公式

详解计算miou的代码以及混淆矩阵的意义 miou的定义 ''' Mean Intersection over Union(MIoU,均交并比):为语义分割的标准度量.其计算两个集合的交集和并集之比. 在语义分割的问题中,这两个集合为真实值(ground truth)和预测值(predicted segmentation). 这个比例可以变形为正真数(intersection)比上真正.假负.假正(并集)之和.在每个类上计算IoU,之后平均. 对于21个类别,分别求IOU: 例如,对于类别1的I

论文 论文翻译 Faster R-CNN 主要分为两个部分: RPN(Region Proposal Network)生成高质量的 region proposal: Fast R-CNN 利用 region proposal 做出检测. 在论文中作者将 RPN 比作神经网络的注意力机制("attention" mechanisms),告诉网络看哪里.为了更好的理解,下面简要的叙述论文的关键内容. RPN Input:任意尺寸的图像 Output:一组带有目标得分的目标矩形 propos

PPT 可以说是讲得相当之清楚了... deepsystems.io 中文翻译: https://zhuanlan.zhihu.com/p/24916786 图解YOLO YOLO核心思想:从R-CNN到Fast R-CNN一直采用的思路是proposal+分类 (proposal 提供位置信息, 分类提供类别信息)精度已经很高,但是速度还不行. YOLO提供了另一种更为直接的思路: 直接在输出层回归bounding box的位置和bounding box所属的类别(整张图作为网络的输入,把 O

之前,对SSD的论文进行了解读,可以回顾之前的博客:https://www.cnblogs.com/dengshunge/p/11665929.html. 为了加深对SSD的理解,因此对SSD的源码进行了复现,主要参考的github项目是ssd.pytorch. 搭建SSD的项目,可以分成以下四个部分: 数据读取: 网络搭建: 损失函数的构建: 网络测试 接下来,本篇博客重点分析网络测试. 在eval.py文件中,首先需要搭建测试用的网络.此时,需要将传入的第一个参数换成"test"字