深度学习与图像处理实战-搭建 MobileNet 实现电表编码区域检测.pptxVIP

搭建 MobileNet 实现电表编码区域检测;;;目标定位。由于目标可能出现在图像的任何位置，而且目标的大小、长宽比例也不确定，因此最初采用滑动窗口的策略对整幅图像进行遍历，而且需要设置不同的大小及长宽比例。;;8.1 目标检测基础及YOLO网络简介;;8.1 目标检测基础及YOLO网络简介;YOLOv2首次提出了以DarkNet-19作为基础模型，并使用卷积层代替了全连接层，解决了YOLOv1全连接的问题。YOLOv2还使用批量标准化替代了随机失活，以提升模型的泛化能力，并且它舍弃了直接预测边界框的位置和大小，受Faster RCNN的启发，有了锚定（Anchor）的概念，直接预测边界框相对于锚定边界框（Anchor Box）的偏移量。;它将YOLOv2中的DarkNet-19改为特征提取能力更强的DarkNet-53；并且，它开始使用多尺度输出来预测数据，这大大提高了YOLO检测小目标的性能；它还使用特征金字塔结构，加强特征的提取。 YOLOv3网络结构如图所示，其中Backbone指主干网络为DarkNet53，Neck指通过图像金字塔加强特征提取，Prediction指将要进行预测的特征向量，Concat指通过特征融合增强特征提取的效果，CBL是指卷积层（Conv）、批量标准化层（BN）、LeakyReLU激活层的融合层，Res unit是指进行残差连接，ResX是指CBL与Res unit进行融合的层。;它将YOLOv3中的算法和目前主流的算法进行整合，例如，使用空间金字塔池化（Spatial Pyramid Pooling，SPP）增大感受野（表示网络内部不同位置的神经元对原图像的感受范围的大小）、引入注意力机制、使用Mosaics数据增强等。正是这些修改，使得YOLOv4成为业界中较为好用的目标检测框架，兼顾了精度与速度。 图中饭，MS COCO Object Detection 是指在COCO数据集上进行的目标检测，横坐标（FPS(V100)）是指不同算法在V100 GPU 上的识别帧率，单位为帧/秒。纵坐标（AP）是识别准确率。可以看出YOLOv4（ours）算法在兼顾识别准确率的同时也有不错的识别速率。;;;电表数据集包含广州某小区的实际电表图片，详见本书配套资源，具体如图所示。图片是以电表编号以及已使用电量命名的，例如，2001477799000001_018.jpg。;需要对这些图片数据进行标注，这里使用LabelImg进行图片标注。;;8.2 数据集介绍及处理;8.2 数据集介绍及处理;8.2 ??据集介绍及处理;8.2 数据集介绍及处理;8.3 主干网络搭建与训练;;8.3 主干网络搭建与训练;8.3 主干网络搭建与训练;8.3 主干网络搭建与训练;8.3 主干网络搭建与训练;8.3 主干网络搭建与训练;8.3 主干网络搭建与训练;8.3 主干网络搭建与训练;8.3 主干网络搭建与训练;8.3 主干网络搭建与训练;8.3 主干网络搭建与训练;8.3 主干网络搭建与训练;;而深度可分离卷积由深度卷积和逐点卷积组成。 ;;;由于要修改YOLOv3中的网络结构，因此可以在YOLOv3文件夹中的model.py中定义一个MobileNet函数，并写入如下代码。 _depthwise_conv_block函数就是MobileNet中重复的部分，可以看到，图片依次通过3×3的深度可分离卷积层、BN层、激活层、1×1的卷积层、BN层、激活层。;8.4 模型结构修改;因为MobileNet的第一层就是一个普通的卷积，所以在MobileNet函数中再定义一个基本卷积的函数，代码如下。;03;;05;;8.4 模型结构修改;8.5 模型训练结果测试;;