YOLOv4-object：对象发现的有效模型和方法
此仓库基于 。
抽象
对象发现是指识别图像中的所有未知对象，这对于机器人系统探索未知环境非常重要。 近年来，基于深度学习方法的物体检测模型在物体分类和定位方面取得了令人瞩目的成就。 但是，这些模型很难处理看不见的环境，因为要详尽地预定义所有类型的对象是不可行的。 在本文中，我们提出了模型YOLOv4-object来通过修改YOLOv4的输出空间和相关的图像标签来识别图像中的所有对象。 在COCO数据集上进行的实验通过实现65.13％的查全率（比原始YOLOv4高3.65％）证明了我们方法的有效性。 我们指出，COCO的功能（不标记所有对象）会损害对象发现的学习过程，因此，我们在480个完全标记的图像上微调YOLOv4-object，并显着改善了召回率，从而进一步验证了我们提出的方法的有效性。 而且，我们的方法是可转移的，可扩展的和可压
2022-01-10 14:53:45
15.76MB
1
本课程在介绍计算机视觉深度学习基本概念基础上，详尽讲解YOLOV3和YOLOV4的算法模型原理，并基于实际项目中的无人零售商品数据集来手把手教大家如何将它训练成YOLOV3和V4模型，最后对训练出来的模型集进行性能评估，从而挑选出最优模型。
课程主要分为九大章：
1。课程内容介绍、特色及其答疑2。计算机视觉深度学习基本概念及其yolo1,2,3的模型结构讲解3。darknet框架介绍及其安装4。darknet训练和推理代码的梳理5。基于darknet框架训练一个无人零售商品数据集 上半部6。基于darknet框架训练一个无人零售商品数据集 下半部7。模型评估指标（训练过程的loss和iou曲线显示，PR，RECALL，AP以及MAP的计算）8。YOLOV4算法模型原理讲解9。YOLOV4算法模型的训练和测试
2021-12-14 21:53:58
1.41GB
1
YOLOV4-Tiny：You Only Look Once-Tiny目标检测模型在Keras当中的实现
2021年2月7日更新：
仔细对照了darknet库的网络结构，发现P5_Upsample和feat1的顺序搞反了，已经调整，重新训练了权值，加入letterbox_image的选项，关闭letterbox_image后网络的map得到提升。
目录
性能情况
训练数据集
权值文件名称
测试数据集
输入图片大小
mAP 0.5:0.95
mAP 0.5
VOC07+12+COCO
VOC-Test07
416x416
-
77.5
COCO-Train2017
COCO-Val2017
416x416
21.8
41.3
所需环境
tensorflow-gpu==1.13.1
keras==2.1.5
注意事项
代码中的yolov4_tiny_weights_coco.h5和yolov4
2021-12-08 20:24:45
5.32MB
1