目標(biāo)檢測(cè)目標(biāo)檢測(cè)(ObjectDetection)是人工智能最基礎(chǔ)的應(yīng)用，不論是我們常見(jiàn)的人臉識(shí)別，還是高大上的自動(dòng)駕駛，都離不開(kāi)目標(biāo)檢測(cè)。目標(biāo)檢測(cè)不僅要用算法判斷圖片中是不是一只狗，還要在圖片中標(biāo)記出它的位置，用邊框或紅色方框把狗圈起來(lái)。R-CNN原理R-CNN（SelectiveSearch+CNN+SVM）利用候選區(qū)域與CNN結(jié)合做目標(biāo)定位，借鑒了滑動(dòng)窗口思想，R-CNN采用對(duì)區(qū)域進(jìn)行識(shí)別分為三個(gè)步驟：給定一張輸入圖片，從圖片中提取2000個(gè)類(lèi)別獨(dú)立的候選區(qū)域。對(duì)于每個(gè)區(qū)域利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）抽取一個(gè)固定長(zhǎng)度的特征向量。再對(duì)每個(gè)區(qū)域利用支持向量機(jī)SVM進(jìn)行目標(biāo)分類(lèi)。YOLO原理YOLO預(yù)測(cè)步驟：1.對(duì)輸入圖像進(jìn)行縮放。

2.將圖片送入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行預(yù)測(cè)。

3.對(duì)預(yù)測(cè)的結(jié)果進(jìn)行置信度的閾值處理，得到最終的結(jié)果。YOLO預(yù)測(cè)過(guò)程YOLO是單階段檢測(cè)算法，整張圖片被分割成7*7=49個(gè)格子(Cell)每個(gè)bbox都對(duì)應(yīng)一個(gè)置信度，置信度分?jǐn)?shù)反映了該模型對(duì)框內(nèi)是否包含目標(biāo)的信心，以及它對(duì)自己預(yù)測(cè)的準(zhǔn)確度的估量。選擇一個(gè)格子作為代表，這個(gè)格子就負(fù)責(zé)(responsible)此物體對(duì)象的預(yù)測(cè)。預(yù)測(cè)矢量每個(gè)網(wǎng)格預(yù)測(cè)2個(gè)bbox位置以及20個(gè)類(lèi)別的概率。每個(gè)bbox要預(yù)測(cè)(x,y,w,h)和置信度共5個(gè)值，因此網(wǎng)絡(luò)模型輸出變量維度為7x7x(5*2+20)=30Keras口罩檢測(cè)項(xiàng)目實(shí)戰(zhàn)使用YOLOv3框架訓(xùn)練一個(gè)口罩檢測(cè)模型，使用該模型進(jìn)行預(yù)測(cè)。YOLOv3是由JosephRedmon和AliFarhadi提出的單階段檢測(cè)器,該檢測(cè)器與達(dá)到同樣精度的傳統(tǒng)目標(biāo)檢測(cè)方法相比，推斷速度能達(dá)到接近兩倍。項(xiàng)目使用基于keras的YOLOv3版本，代碼網(wǎng)址：/qqwweee/keras-yolo3預(yù)測(cè)模型從/darknet/yolo/下載權(quán)重文件yolov3.weight，放到主目錄下。執(zhí)行如下命令將權(quán)重文件weight轉(zhuǎn)換成keras適用的h5文件。python

convert.pyyolov3.cfgyolov3.weightsmodel_data/yolo.h5預(yù)測(cè)過(guò)程python

yolo_video.py--image數(shù)據(jù)集準(zhǔn)備labelimg是一個(gè)可視化的圖像標(biāo)定工具，生成的文件格式是XML，遵循PASCALVOC數(shù)據(jù)集的格式。其安裝包下載地址：/tzutalin/labelImg標(biāo)注結(jié)果標(biāo)注信息文件索引文件修改修改前：annotation_path='train.txt'log_dir='logs/000/'classes_path='model_data/voc_classes.txt'anchors_path='model_data/yolo_anchors.txt'修改后：annotation_path='2007_train.txt'log_dir='logs'classes_path='model_data/voc_classes.txt'anchors_path='model