基於深度神經網路完成乙個極簡的物體檢測器，實現物體類別和bounding_box的**。
每張影象中只有乙個物體；大小128*128畫素
物體類被只有5個：['car', 'bird', 'turtle', 'dog', 'lizard']
每個類別包含180張影象
標註檔案在gt_xx.txt (coordinates are 0-index based): image_index, xmin, ymin, xmax, ymax
定位準確率（iou>0.5）、分類準確率、分類和定位同時正確率，視覺化檢測結果
首先是專案的完整思路，其實並不複雜，具體而言，針對原始影象，由於tiny_vid資料集較小，所以為了得到較好的結果，先對資料實現資料增強，從而獲得了更多的訓練資料，提高模型效果。接下來，通過擴充後的資料集輸入搭建的cnn模型，並匯入ground truth標籤，完成模型的訓練，最終就可以向模型輸入待分類和定位的影象，輸出**的物體類別和邊框。
上圖所示是具體的資料增強方法舉例，首先針對一張原始影象，可以對它進行隨機的distort，改變飽和度，亮度這些顏色引數，然後還以進行影象翻轉，同時對bounding box的位置也進行調整，最後是影象裁切，同樣根據裁切後的影象設定新的bounding box即可。
接下來是網路的架構，首先將資料輸入到backbone網路中完成特徵提取，backbone實現了vgg16和mobilenet兩個版本，可以在訓練之前選擇任一一種，然後自己訓練網路或者匯入預訓練的模型引數，然後首先將輸出特徵送入乙個自己定義的回歸網路，完成bounding box的**，另外再使用乙個分類模型實現物體識別與分類。具體網路結構如上圖。
以vgg為backbone，經過多次訓練得到的最好效果如下，對於乙個簡單的物體檢測網路而言，在這個資料集上的表現還可以。
下面是物體識別的視覺化結果示例，其中粉色為groud_truth，藍色為此模型**的結果。
參考文獻：
使用flask框架實現乙個簡單的網頁加法運算器
最近在看python web 開發的一些內容，正好看到了flask，這裡做一些記錄 flask 是乙個微型的web框架，相比於 django 整合了各種模組功能，flask 只是使用了簡單的核心，相關功能可以根據需要進行擴充套件 html 模板檔案需要放置在templates資料夾下，檔案放在sta...
乙個簡單基於LRU連線檢測實現
在做網路應用的時候經常要處理不處於活動的連線,對於不活動的tcp連線可以通過設定keepalive來觸發socketerror來處理掉.但有更多的時候是使用ping和pong來處理.對於ping,pong這種做法的發起者有兩種情況,分別是由server或client發起.對於由伺服器發起比較損耗資源...
Python實現乙個簡單的目標檢測
輸入測試 用選擇性搜尋 select search 方法，對輸入選出n個候選區域 用訓練好的cnn模型 每個候選區域，保留乙個得分最高的候選區域 輸出 結果 import sys import cv2 import numpy as np import tensorflow as tf from t...