序言      自动驾驶是目前非常有前景的行业,而视觉感知作为自动驾驶中的“眼睛”,有着非常重要的地位和作用.为了能有效地识别到行驶在路上的动态目标,如汽车.行人等,我们需要提前对这些目标的进行训练,从而能够有效地避开,防止事故的发生. 目录: 目标检测之车辆检测(基于darknet框架的yolov3) 一.目标检测的概念 二.Darknet整体框架与安装测试 三.yolo模型特点与性能 四.基于Darknet的yolov3车辆检测模型 正文: 一.目标检测的概念 1.1 什么是目标检测 目标检

AlexeyAB DarkNet YOLOv3框架解析与应用实践(四) Nightmare 从前,在一所大学的大楼里,西蒙尼亚.维达第和齐瑟曼有一个很好的主意,几乎和你现在坐的大楼完全不同.他们想,嘿,我们一直在向前运行这些神经网络,它们工作得很好,为什么不也向后运行呢?这样我们就能知道电脑在想什么... 由此产生的图像是如此恐怖,如此怪异,以至于他们的尖叫声可以听到一路坦普顿. 许多研究人员已经扩大了他们的工作范围,包括谷歌一篇广为人知的博客文章.              这是我抄袭那些抄袭

AlexeyAB DarkNet YOLOv3框架解析与应用实践(一) Darknet:  C语言中的开源神经网络 Darknet是一个用C和CUDA编写的开源神经网络框架.它速度快,易于安装,支持CPU和GPU计算.您可以在GitHub上找到源代码,也可以在这里阅读更多关于Darknet可以做什么的信息: 1.  Installing Darknet Darknet易于安装,只有两个可选依赖项: OpenCV,如果你想要更广泛的支持图像类型. 如果你想计算GPU的话,安装CUDA. 两者都是可

AlexeyAB DarkNet YOLOv3框架解析与应用实践(六) 1. Tiny Darknet 听过很多人谈论SqueezeNet. SqueezeNet很酷,但它只是优化参数计数.当大多数高质量的图像是10MB或更大时,为什么要关心的型号是5MB还是50MB?如果想要一个小模型,实际上很快,为什么不看看darknet参考网络?它只有28MB,但更重要的是,它只有8亿个浮点运算.最初的Alexnet是23亿.darknet是速度的2.9倍,而且它很小,准确度提高了4%. 那么Squeez

AlexeyAB DarkNet YOLOv3框架解析与应用实践(五) RNNs in Darknet 递归神经网络是表示随时间变化的数据的强大模型.为了更好地介绍RNNs,我强烈推荐Andrej Karpathy去年的博客文章,这是实现RNNs的一个很好的资源! 所有这些模型都使用相同的网络架构,一个包含3个递归模块的普通RNN. 每个模块由3个完全连接的层组成.输入层将信息从输入传播到当前状态.递归层通过时间将信息从上一个状态传播到当前状态.由于我们希望输入层和递归层都影响当前状态,所以我们

AlexeyAB DarkNet YOLOv3框架解析与应用实践(三) ImageNet分类 您可以使用Darknet为1000级ImageNet挑战赛分类图像.如果你还没有安装Darknet,你应该先安装. 使用预先训练的模型分类 下面是安装Darknet.下载分类权重文件和在图像上运行分类器的命令: git clone https://github.com/pjreddie/darknet.git cd darknet make wget https://pjreddie.com/media

AlexeyAB DarkNet YOLOv3框架解析与应用实践(二) 版本3有什么新功能? YOLOv3使用了一些技巧来改进训练和提高性能,包括:多尺度预测.更好的主干分类器等等.全部细节都在我们的论文上! 使用预先训练的模型进行检测 这篇文章将指导你通过使用一个预先训练好的模型用YOLO系统检测物体.如果你还没有安装Darknet,你应该先安装.或者不去阅读所有的东西: git clone https://github.com/pjreddie/darknet cd darknet make

CMakeLists.txt 写的比较糙,有疑问欢迎咨询. option(GPU ON) option(CUDNN ON) option(OPENCV ON) cmake_minimum_required(VERSION 3.1) project(darknet) SET(CMAKE_C_FLAGS "-pipe -O2 -Wall -W -fPIC") set(CMAKE_BUILD_TYPE "Release") add_definitions(-DGPU) m

推荐比较好的博客:https://ai4sig.org/2019/06/jetson-nano-darknet-yolov3/ 用的AlexeyAB的版本,并且给出了yolov3和tiny的效果对比. 出现nvcc not found 的错误,参考如下解决 http://www.neko.ne.jp/~freewing/raspberry_pi/nvidia_jetson_nano_nvcc_not_found/ ● Jetson Nano nvcc: not found build CUDA

在我们进行交流谈话时,人与人之间总要保持一定的距离,尤其是在疫情的情况下,人与人之间更要保持一定的安全距离,今天给大家来介绍一个检测社交距离的项目,实现社交距离检测器. 社交距离(Social Distance) 社会隔离是一种控制传染病传播的方法,保持一定的社交距离,可以让我们减少亲密接触,从而减少传染病的传播,在疫情期间,我们用人与人之间的实际距离,比如人与人之间相隔2米来衡量,作为一个阈值,超过2米远,则是安全距离,反之违反了安全距离,在计算机中如何做到这样的检测呢?如何构建这样社交距离检

其他比较好的参考链接: 环境配置: 环境配置的最终图片列表:https://blog.csdn.net/shanglianlm/article/details/80322718 视频讲解YOLOv1:https://www.bilibili.com/video/av23354360/?p=3 YOLOv3官网链接GitHub:https://github.com/AlexeyAB/darknet Yolov3+windows10+VS2015部署安装:https://blog.csdn.net/

目录 Yolo v3的使用方法 安装darknet 训练Pascal VOC格式的数据 修改cfg文件中的voc.data 修改VOC.names 下载预训练卷积层权重 修改cfg/yolov3-voc.cfg 训练自己的模型 测试Yolo模型 测试单张图片: 生成预测结果 采用第三方compute_mAP Reference Yolo v3的使用方法 参考自@zhaonan 安装darknet 下载库文件 git clone https://github.com/pjreddie/darkne

2018-04-20: https://github.com/pjreddie/darknet/issues/717 改了一下午,然后/usr/include/c++/4.8/bits/stl_relops.h:85:5: error: template with C linkage,可以说非常生气了,但无可奈何,还是降到opencv3.4.0再来吧 2018-04-25: 从零开始的darknet+YOLOv3 参考: https://pjreddie.com/darknet/yolo htt

ROS 提高篇 之 A Mobile Base-04 - 控制移动平台 - (Python编程)控制虚拟机器人的移动(不精确的制定目标位置) 我使用的虚拟机软件:VMware Workstation 11 使用的Ubuntu系统:Ubuntu 14.04.4 LTS ROS 版本:ROS Indigo 注意: 1 . ROS 提高篇这个专栏的教学有门槛. 2 . 如果你没有学习前面的教程,请想学习前面的 beginner_Tutorials 和 learning_tf 的ROS 相关教程. 一

摘要:本文解读了<Gaussian Bounding Boxes and Probabilistic Intersection-over-Union for Object Detection>,该论文针对目标检测任务,提出了新的高斯检测框(GBB),及新的计算目标相似性的方法(ProbIoU). 本文分享自华为云社区<论文解读系列十九:用于目标检测的高斯检测框与ProbIoU>,作者:BigDragon. 论文地址: https://arxiv.org/abs/2106.06072

引言 之前做object detection用到的都是two stage,one stage如YOLO.SSD很少接触,这里开一篇blog简单回顾该系列的发展.很抱歉,我本人只能是蜻蜓点水,很多细节也没有弄清楚.有需求的朋友请深入论文和代码,我在末尾也列出了很多优秀的参考文章. YOLOv1 You Only Look Once: Unified, Real-Time Object Detection 核心思想 用一个CNN实现end-to-end,将目标检测作为回归问题解决. 将输入图片分割为

导语:非AI专业技术人员转型AI技术,或是作为一名学生学习AI技术开发,对每个有这样诉求和经历的人来说,都希望能够看到AI技术人才的成长经历,给出自己的真实经历分享. 前言 参考塞缪尔.约翰逊(18世纪英国文学评论家.诗人,著有<英语大辞典>.<莎士比亚集>)的思路,“当一个人厌倦了学习技术,那他肯定也厌倦了IT行业:因为只有持续学习,才会有IT行业带给你的一切,包括金钱”.这是IT行业的实际情况,没有哪个人可以靠吃老本长期生存,AI技术更是如此.最近我在读<伦敦人>,

第0章 关于本书 1, 本书要用到一个工具函数————$$(),它可以让我们更容易获取和遍历所有匹配特定css选择符的dom元素: function $$(selector,context){ context=context||document; var elements=context.querySelectorAll(selector); return Array.prototype.slice.call(elements); } 2, 以下实现一个效果: linear-gradient(#

NavMesh(导航网格)是3D游戏世界中用于实现动态物体自动寻路的一种技术,将游戏中复杂的结构组织关系简化为带有一定信息的网格,在这些网格的基础上通过一系列的计算来实现自动寻路..导航时,只需要给导航物体挂载导航组建,导航物体便会自行根据目标点来寻找最直接的路线,并沿着该线路到达目标点. 下面通过一个简单的Sample来介绍NavMesh的应用: 1.在Scene中新建三个Cube,如下图摆放. 2.选中上图三个Cube,并在Inspector面板中选中为静态(static)下拉选项的Navi

javascript的运动非常实用,通过控制需要运动块的实际距离与要到达的距离的关系,结合定时器来控制小方块的各种运动. 运动框架 <!DOCTYPE html><html><head> <title></title> <style type="text/css"> #div1{ width: 100px; height: 100px; position: absolute; top: 50px; left: 50

Exif.js 提供了 JavaScript 读取图像的原始数据的功能扩展,例如:拍照方向.相机设备型号.拍摄时间.ISO 感光度.GPS 地理位置等数据. 注意事项: EXIF 数据主要来自拍摄的照片,多用于移动端开发,PC 端也会用到,此插件兼容主流浏览器,IE10 以下不支持. github地址 在线实例 实例预览 简单示例 实例预览 获取 base64 编码文件数据 实例预览 异步获取图像数据 使用方法 载入 JavaScript 文件 <script src="exif.js&q