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
目标检测是我们用于识别图像中目标位置的技术。如果图像中有单个目标，并且我们想要检测该目标，则称为图像定位。如果图像中有多个目标怎么办？嗯，这就是目标检测！让我用一个例子解释一下：
左侧的图像具有单个目标（狗），因此检测该目标将是图像定位问题。右边的图像有两个目标（一只猫和一只狗）。检测这两个目标则是目标检测问题。
自动驾驶是目标检测最有趣和最近的应用之一
自动驾驶汽车是能够在很少或无人为引导的情况下自行移动的车辆。现在，为了让汽车决定它的行动，即要么向前移动，要么停车，要么转弯，它必须知道它周围所有物体的位置。使用目标检测技术，汽车可以检测其他汽车，行人，交通信号等物体。
而大多数应用程序需要实时分析，实时检测。行业的动态性质倾向于即时结果，而这正是实时目标检测的结果。
二、Darknet整体框架与安装测试
Darknet是用纯C编写的小型深度学习框架，详细内容可参考以下链接：
三、yolo模型特点与性能
yolo是继RCNN，fast-RCNN 和 faster-RCNN之后，Ross Girshick 针对 DL 目标检测速度问题提出的另外一种框架，详细内容可参考以下链接：
四、基于Darknet的yolov3车辆检测模型
五、训练效果
模型：v6 416x416 40w:x0.1,45w:x0.1
avg:0.532/0.442 avg IoU:0.832 cls:0.999 obj:0.96 No obj:0.001 .5R :1.0 0.75R:0.85
使用MP4测试，帧率在25fps左右，非常卡顿，模型结构不能太深，检测速度下降明显。
本站文章如无特殊说明，均为本站原创，如若转载，请注明出处：目标检测之车辆行人（darknet版yolov3） - Python技术站
微信扫一扫 
支付宝扫一扫 