一.演算法理解
此處省略1萬字。。。。。。。。。。。。。。
二.訓練及原始碼理解
配置以下3步：
在utils資料夾和utils\bbox資料夾下建立__init__.py檔案
在utils\bbox資料夾下執行python setup.py install
將.pyd檔案拷貝到utils\bbox資料夾下
資料格式：首先我是用精靈標註手寫體區域存在json檔案中，josn解析提取名和標籤座標存在txt中，格式：768,1622,1124,1622,1124,1750,768,1750,chinese,###。
總共4個角8個座標，還有乙個標籤，全部用的chinese,然後用split_label.py將資料拆分成乙個個小框，格式：188,399,191,430只有左上角和右下角座標。將資料image資料夾和label資料夾（拆分後的資料標籤）存放在mlt資料夾裡即可。
main/trian.py即可訓練核心**：
bbox_pred, cls_pred, cls_prob = model.model(input_image) 生成**框，類別得分和概率
lstm_output = bilstm(rpn_conv, 512, 128, 512, scope_name='bilstm') 雙層lstm，考慮前後特徵的聯絡
bbox_pred = lstm_fc(lstm_output, 512, 10 * 4, scope_name="bbox_pred")cls_pred = lstm_fc(lstm_output, 512, 10 * 2, scope_name="cls_pred") 全連線分類得分和候選框**
total_loss, model_loss, rpn_cross_entropy, rpn_loss_box = model.loss(bbox_pred, cls_pred, input_bbox,demo.py進行**，包括小框合併,**結果展示如下input_im_info) 模型的各種損失，交叉熵損失，rpn損失
YOLO訓練自己的資料集
很高興現在已經有幾百人通過我的教程成功地使用yolo處理自己的資料集。最近一直在用cnn的模型做影象二分類，但苦於效果不佳，於是把影象分類問題轉作目標識別問題。做目標識別選擇了yolo you only look once 乙個最近推出的方法，突出的優點就是速度快。查詢了網上關於yolo的訓練自己資...
mmdetection訓練自己資料集的配置詳情記錄
檢測attention 原始碼注釋發布於我的github 近期更新到最新版 後面有些語法在csdn的markdown上不支援，導致顯示bug，我就懶得改了，有需求直接訪問原部落格檢視。for version 0.6.0 訓練需要改動的配置為 以一張的車分割為例。檔案結構 如圖 其中car.json是...
用mmdetection訓練自己的資料集
接觸目標檢測也有半年時間了，看了一些，但是都是看得馬馬虎虎，這次先用mmdetection跑一下faster rcnn，後面徹底熟悉了，再分析它的執行過程。可能有人說先打牢基礎，看這看那，我認為還是得及時地和實際結合，如果有不對指出，請批評指正。mmdetection是商湯提出來的乙個框架吧，如果只...