python目標(biāo)檢測(cè)yolo3詳解預(yù)測(cè)及代碼復(fù)現(xiàn)
更新時(shí)間：2022年05月06日 12:08:08 作者：Bubbliiiing
這篇文章主要為大家介紹了python目標(biāo)檢測(cè)yolo3詳解預(yù)測(cè)及代碼復(fù)現(xiàn)，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪
學(xué)習(xí)前言
對(duì)yolo2解析完了之后當(dāng)然要講講yolo3，yolo3與yolo2的差別主要在網(wǎng)絡(luò)的特征提取部分，實(shí)際的解碼部分其實(shí)差距不大
代碼下載
本次教程主要基于github中的項(xiàng)目點(diǎn)擊直接下載，該項(xiàng)目相比于yolo3-Keras的項(xiàng)目更容易看懂一些，不過(guò)它的許多代碼與yolo3-Keras相同。
我保留了預(yù)測(cè)部分的代碼，在實(shí)際可以通過(guò)執(zhí)行detect.py運(yùn)行示例。
鏈接: https://pan.baidu.com/s/1_xLeytnjBBSL2h2Kj4-YEw
取碼:i3hi
實(shí)現(xiàn)思路
1、yolo3的預(yù)測(cè)思路（網(wǎng)絡(luò)構(gòu)建思路）
YOLOv3相比于之前的yolo1和yolo2，改進(jìn)較大，主要改進(jìn)方向有：
1、使用了殘差網(wǎng)絡(luò)Residual，殘差卷積就是進(jìn)行一次3X3、步長(zhǎng)為2的卷積，然后保存該卷積layer，再進(jìn)行一次1X1的卷積和一次3X3的卷積，并把這個(gè)結(jié)果加上layer作為最后的結(jié)果， 殘差網(wǎng)絡(luò)的特點(diǎn)是容易優(yōu)化，并且能夠通過(guò)增加相當(dāng)?shù)纳疃葋?lái)提高準(zhǔn)確率。其內(nèi)部的殘差塊使用了跳躍連接，緩解了在深度神經(jīng)網(wǎng)絡(luò)中增加深度帶來(lái)的梯度消失問(wèn)題。
2、提取多特征層進(jìn)行目標(biāo)檢測(cè)，一共提取三個(gè)特征層，特征層的shape分別為(13,13,75)，(26,26,75)，(52,52,75)，最后一個(gè)維度為75是因?yàn)樵搱D是基于voc數(shù)據(jù)集的，它的類(lèi)為20種，yolo3只有針對(duì)每一個(gè)特征層存在3個(gè)先驗(yàn)框，所以最后維度為3x25；
如果使用的是coco訓(xùn)練集，類(lèi)則為80種，最后的維度應(yīng)該為255 = 3x85，三個(gè)特征層的shape為(13,13,255)，(26,26,255)，(52,52,255)
3、其采用反卷積UmSampling2d設(shè)計(jì)，逆卷積相對(duì)于卷積在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的正向和反向傳播中做相反的運(yùn)算，其可以更多更好的提取出特征。
其實(shí)際情況就是，輸入N張416x416的圖片，在經(jīng)過(guò)多層的運(yùn)算后，會(huì)輸出三個(gè)shape分別為(N,13,13,255)，(N,26,26,255)，(N,52,52,255)的數(shù)據(jù)，對(duì)應(yīng)每個(gè)圖分為13x13、26x26、52x52的網(wǎng)格上3個(gè)先驗(yàn)框的位置。
實(shí)現(xiàn)代碼如下，其在實(shí)際調(diào)用時(shí)，會(huì)調(diào)用其中的yolo_inference函數(shù)，此時(shí)獲得三個(gè)特征層的內(nèi)容。
def _darknet53(self, inputs, conv_index, training = True, norm_decay = 0.99, norm_epsilon = 1e-3):
"""
Introduction
------------
構(gòu)建yolo3使用的darknet53網(wǎng)絡(luò)結(jié)構(gòu)
Parameters
----------
inputs: 模型輸入變量
conv_index: 卷積層數(shù)序號(hào)，方便根據(jù)名字加載預(yù)訓(xùn)練權(quán)重
weights_dict: 預(yù)訓(xùn)練權(quán)重
training: 是否為訓(xùn)練
norm_decay: 在預(yù)測(cè)時(shí)計(jì)算moving average時(shí)的衰減率
norm_epsilon: 方差加上極小的數(shù)，防止除以0的情況
Returns
-------
conv: 經(jīng)過(guò)52層卷積計(jì)算之后的結(jié)果, 輸入圖片為416x416x3，則此時(shí)輸出的結(jié)果shape為13x13x1024
route1: 返回第26層卷積計(jì)算結(jié)果52x52x256, 供后續(xù)使用
route2: 返回第43層卷積計(jì)算結(jié)果26x26x512, 供后續(xù)使用
conv_index: 卷積層計(jì)數(shù)，方便在加載預(yù)訓(xùn)練模型時(shí)使用
"""
with tf.variable_scope('darknet53'):
# 416,416,3 -> 416,416,32
conv = self._conv2d_layer(inputs, filters_num = 32, kernel_size = 3, strides = 1, name = "conv2d_" + str(conv_index))
conv = self._batch_normalization_layer(conv, name = "batch_normalization_" + str(conv_index), training = training, norm_decay = norm_decay, norm_epsilon = norm_epsilon)
conv_index += 1
# 416,416,32 -> 208,208,64
conv, conv_index = self._Residual_block(conv, conv_index = conv_index, filters_num = 64, blocks_num = 1, training = training, norm_decay = norm_decay, norm_epsilon = norm_epsilon)
# 208,208,64 -> 104,104,128
conv, conv_index = self._Residual_block(conv, conv_index = conv_index, filters_num = 128, blocks_num = 2, training = training, norm_decay = norm_decay, norm_epsilon = norm_epsilon)
# 104,104,128 -> 52,52,256
conv, conv_index = self._Residual_block(conv, conv_index = conv_index, filters_num = 256, blocks_num = 8, training = training, norm_decay = norm_decay, norm_epsilon = norm_epsilon)
# route1 = 52,52,256
route1 = conv
# 52,52,256 -> 26,26,512
conv, conv_index = self._Residual_block(conv, conv_index = conv_index, filters_num = 512, blocks_num = 8, training = training, norm_decay = norm_decay, norm_epsilon = norm_epsilon)
# route2 = 26,26,512
route2 = conv
# 26,26,512 -> 13,13,1024
conv, conv_index = self._Residual_block(conv, conv_index = conv_index, filters_num = 1024, blocks_num = 4, training = training, norm_decay = norm_decay, norm_epsilon = norm_epsilon)
# route3 = 13,13,1024
return route1, route2, conv, conv_index
# 輸出兩個(gè)網(wǎng)絡(luò)結(jié)果
# 第一個(gè)是進(jìn)行5次卷積后，用于下一次逆卷積的，卷積過(guò)程是1X1，3X3，1X1，3X3，1X1
# 第二個(gè)是進(jìn)行5+2次卷積，作為一個(gè)特征層的，卷積過(guò)程是1X1，3X3，1X1，3X3，1X1，3X3，1X1
def _yolo_block(self, inputs, filters_num, out_filters, conv_index, training = True, norm_decay = 0.99, norm_epsilon = 1e-3):
"""
Introduction
------------
yolo3在Darknet53提取的特征層基礎(chǔ)上，又加了針對(duì)3種不同比例的feature map的block，這樣來(lái)提高對(duì)小物體的檢測(cè)率
Parameters
----------
inputs: 輸入特征
filters_num: 卷積核數(shù)量
out_filters: 最后輸出層的卷積核數(shù)量
conv_index: 卷積層數(shù)序號(hào)，方便根據(jù)名字加載預(yù)訓(xùn)練權(quán)重
training: 是否為訓(xùn)練
norm_decay: 在預(yù)測(cè)時(shí)計(jì)算moving average時(shí)的衰減率
norm_epsilon: 方差加上極小的數(shù)，防止除以0的情況
Returns
-------
route: 返回最后一層卷積的前一層結(jié)果
conv: 返回最后一層卷積的結(jié)果
conv_index: conv層計(jì)數(shù)
"""
conv = self._conv2d_layer(inputs, filters_num = filters_num, kernel_size = 1, strides = 1, name = "conv2d_" + str(conv_index))
conv = self._batch_normalization_layer(conv, name = "batch_normalization_" + str(conv_index), training = training, norm_decay = norm_decay, norm_epsilon = norm_epsilon)
conv_index += 1
conv = self._conv2d_layer(conv, filters_num = filters_num * 2, kernel_size = 3, strides = 1, name = "conv2d_" + str(conv_index))
conv = self._batch_normalization_layer(conv, name = "batch_normalization_" + str(conv_index), training = training, norm_decay = norm_decay, norm_epsilon = norm_epsilon)
conv_index += 1
conv = self._conv2d_layer(conv, filters_num = filters_num, kernel_size = 1, strides = 1, name = "conv2d_" + str(conv_index))
conv = self._batch_normalization_layer(conv, name = "batch_normalization_" + str(conv_index), training = training, norm_decay = norm_decay, norm_epsilon = norm_epsilon)
conv_index += 1
conv = self._conv2d_layer(conv, filters_num = filters_num * 2, kernel_size = 3, strides = 1, name = "conv2d_" + str(conv_index))
conv = self._batch_normalization_layer(conv, name = "batch_normalization_" + str(conv_index), training = training, norm_decay = norm_decay, norm_epsilon = norm_epsilon)
conv_index += 1
conv = self._conv2d_layer(conv, filters_num = filters_num, kernel_size = 1, strides = 1, name = "conv2d_" + str(conv_index))
conv = self._batch_normalization_layer(conv, name = "batch_normalization_" + str(conv_index), training = training, norm_decay = norm_decay, norm_epsilon = norm_epsilon)
conv_index += 1
route = conv
conv = self._conv2d_layer(conv, filters_num = filters_num * 2, kernel_size = 3, strides = 1, name = "conv2d_" + str(conv_index))
conv = self._batch_normalization_layer(conv, name = "batch_normalization_" + str(conv_index), training = training, norm_decay = norm_decay, norm_epsilon = norm_epsilon)
conv_index += 1
conv = self._conv2d_layer(conv, filters_num = out_filters, kernel_size = 1, strides = 1, name = "conv2d_" + str(conv_index), use_bias = True)
conv_index += 1
return route, conv, conv_index
# 返回三個(gè)特征層的內(nèi)容
def yolo_inference(self, inputs, num_anchors, num_classes, training = True):
"""
Introduction
------------
構(gòu)建yolo模型結(jié)構(gòu)
Parameters
----------
inputs: 模型的輸入變量
num_anchors: 每個(gè)grid cell負(fù)責(zé)檢測(cè)的anchor數(shù)量
num_classes: 類(lèi)別數(shù)量
training: 是否為訓(xùn)練模式
"""
conv_index = 1
# route1 = 52,52,256、route2 = 26,26,512、route3 = 13,13,1024
conv2d_26, conv2d_43, conv, conv_index = self._darknet53(inputs, conv_index, training = training, norm_decay = self.norm_decay, norm_epsilon = self.norm_epsilon)
with tf.variable_scope('yolo'):
#--------------------------------------#
# 獲得第一個(gè)特征層
#--------------------------------------#
# conv2d_57 = 13,13,512，conv2d_59 = 13,13,255(3x(80+5))
conv2d_57, conv2d_59, conv_index = self._yolo_block(conv, 512, num_anchors * (num_classes + 5), conv_index = conv_index, training = training, norm_decay = self.norm_decay, norm_epsilon = self.norm_epsilon)
#--------------------------------------#
# 獲得第二個(gè)特征層
#--------------------------------------#
conv2d_60 = self._conv2d_layer(conv2d_57, filters_num = 256, kernel_size = 1, strides = 1, name = "conv2d_" + str(conv_index))
conv2d_60 = self._batch_normalization_layer(conv2d_60, name = "batch_normalization_" + str(conv_index),training = training, norm_decay = self.norm_decay, norm_epsilon = self.norm_epsilon)
conv_index += 1
# unSample_0 = 26,26,256
unSample_0 = tf.image.resize_nearest_neighbor(conv2d_60, [2 * tf.shape(conv2d_60)[1], 2 * tf.shape(conv2d_60)[1]], name='upSample_0')
# route0 = 26,26,768
route0 = tf.concat([unSample_0, conv2d_43], axis = -1, name = 'route_0')
# conv2d_65 = 52,52,256，conv2d_67 = 26,26,255
conv2d_65, conv2d_67, conv_index = self._yolo_block(route0, 256, num_anchors * (num_classes + 5), conv_index = conv_index, training = training, norm_decay = self.norm_decay, norm_epsilon = self.norm_epsilon)
#--------------------------------------#
# 獲得第三個(gè)特征層
#--------------------------------------#
conv2d_68 = self._conv2d_layer(conv2d_65, filters_num = 128, kernel_size = 1, strides = 1, name = "conv2d_" + str(conv_index))
conv2d_68 = self._batch_normalization_layer(conv2d_68, name = "batch_normalization_" + str(conv_index), training=training, norm_decay=self.norm_decay, norm_epsilon = self.norm_epsilon)
conv_index += 1
# unSample_1 = 52,52,128
unSample_1 = tf.image.resize_nearest_neighbor(conv2d_68, [2 * tf.shape(conv2d_68)[1], 2 * tf.shape(conv2d_68)[1]], name='upSample_1')
# route1= 52,52,384
route1 = tf.concat([unSample_1, conv2d_26], axis = -1, name = 'route_1')
# conv2d_75 = 52,52,255
_, conv2d_75, _ = self._yolo_block(route1, 128, num_anchors * (num_classes + 5), conv_index = conv_index, training = training, norm_decay = self.norm_decay, norm_epsilon = self.norm_epsilon)
return [conv2d_59, conv2d_67, conv2d_75]
2、利用先驗(yàn)框?qū)W(wǎng)絡(luò)的輸出進(jìn)行解碼
yolo3的先驗(yàn)框生成與yolo2的類(lèi)似，如果不明白先驗(yàn)框是如何生成的，可以看我的上一篇博文
python目標(biāo)檢測(cè)yolo2詳解及其預(yù)測(cè)代碼復(fù)現(xiàn)
其實(shí)yolo3的解碼與yolo2的解碼過(guò)程一樣，只是對(duì)于yolo3而言，其需要對(duì)三個(gè)特征層進(jìn)行解碼，三個(gè)特征層的shape分別為(N,13,13,255)，(N,26,26,255)，(N,52,52,255)的數(shù)據(jù)，對(duì)應(yīng)每個(gè)圖分為13x13、26x26、52x52的網(wǎng)格上3個(gè)先驗(yàn)框的位置。
此處需要用到一個(gè)循環(huán)。
1、將第一個(gè)特征層reshape成[-1, 13, 13, 3, 80 + 5]，代表169個(gè)中心點(diǎn)每個(gè)中心點(diǎn)的3個(gè)先驗(yàn)框的情況。
2、將80+5的5中的xywh分離出來(lái)，0、1是xy相對(duì)中心點(diǎn)的偏移量；2、3是寬和高的情況；4是置信度。
3、建立13x13的網(wǎng)格，代表圖片進(jìn)行13x13處理后網(wǎng)格的中心點(diǎn)。
4、利用計(jì)算公式計(jì)算實(shí)際的bbox的位置 。
5、置信度乘上80+5中的80（這里的80指的是類(lèi)別概率）得到得分。
6、將第二個(gè)特征層reshape成[-1, 26, 26, 3, 80 + 5]，重復(fù)2到5步。將第三個(gè)特征層reshape成[-1, 52, 52, 3, 80 + 5]，重復(fù)2到5步。
單個(gè)特征層的解碼部分代碼如下：
# 獲得單個(gè)特征層框的位置和得分
def boxes_and_scores(self, feats, anchors, classes_num, input_shape, image_shape):
"""
Introduction
------------
將預(yù)測(cè)出的box坐標(biāo)轉(zhuǎn)換為對(duì)應(yīng)原圖的坐標(biāo)，然后計(jì)算每個(gè)box的分?jǐn)?shù)
Parameters
----------
feats: yolo輸出的feature map
anchors: anchor的位置
class_num: 類(lèi)別數(shù)目
input_shape: 輸入大小
image_shape: 圖片大小
Returns
-------
boxes: 物體框的位置
boxes_scores: 物體框的分?jǐn)?shù)，為置信度和類(lèi)別概率的乘積
"""
# 獲得特征
box_xy, box_wh, box_confidence, box_class_probs = self._get_feats(feats, anchors, classes_num, input_shape)
# 尋找在原圖上的位置
boxes = self.correct_boxes(box_xy, box_wh, input_shape, image_shape)
boxes = tf.reshape(boxes, [-1, 4])
# 獲得置信度box_confidence * box_class_probs
box_scores = box_confidence * box_class_probs
box_scores = tf.reshape(box_scores, [-1, classes_num])
return boxes, box_scores
# 單個(gè)特征層的解碼過(guò)程
def _get_feats(self, feats, anchors, num_classes, input_shape):
"""
Introduction
------------
根據(jù)yolo最后一層的輸出確定bounding box
Parameters
----------
feats: yolo模型最后一層輸出
anchors: anchors的位置
num_classes: 類(lèi)別數(shù)量
input_shape: 輸入大小
Returns
-------
box_xy, box_wh, box_confidence, box_class_probs
"""
num_anchors = len(anchors)
anchors_tensor = tf.reshape(tf.constant(anchors, dtype=tf.float32), [1, 1, 1, num_anchors, 2])
grid_size = tf.shape(feats)[1:3]
predictions = tf.reshape(feats, [-1, grid_size[0], grid_size[1], num_anchors, num_classes + 5])
# 這里構(gòu)建13*13*1*2的矩陣，對(duì)應(yīng)每個(gè)格子加上對(duì)應(yīng)的坐標(biāo)
grid_y = tf.tile(tf.reshape(tf.range(grid_size[0]), [-1, 1, 1, 1]), [1, grid_size[1], 1, 1])
grid_x = tf.tile(tf.reshape(tf.range(grid_size[1]), [1, -1, 1, 1]), [grid_size[0], 1, 1, 1])
grid = tf.concat([grid_x, grid_y], axis = -1)
grid = tf.cast(grid, tf.float32)
# 將x,y坐標(biāo)歸一化，相對(duì)網(wǎng)格的位置
box_xy = (tf.sigmoid(predictions[..., :2]) + grid) / tf.cast(grid_size[::-1], tf.float32)
# 將w,h也歸一化
box_wh = tf.exp(predictions[..., 2:4]) * anchors_tensor / tf.cast(input_shape[::-1], tf.float32)
box_confidence = tf.sigmoid(predictions[..., 4:5])
box_class_probs = tf.sigmoid(predictions[..., 5:])
return box_xy, box_wh, box_confidence, box_class_probs
該函數(shù)被其它函數(shù)調(diào)用，用于完成三個(gè)特征層的解碼：
def eval(self, yolo_outputs, image_shape, max_boxes = 20):
"""
Introduction
------------
根據(jù)Yolo模型的輸出進(jìn)行非極大值抑制，獲取最后的物體檢測(cè)框和物體檢測(cè)類(lèi)別
Parameters
----------
yolo_outputs: yolo模型輸出
image_shape: 圖片的大小
max_boxes: 最大box數(shù)量
Returns
-------
boxes_: 物體框的位置
scores_: 物體類(lèi)別的概率
classes_: 物體類(lèi)別
"""
# 每一個(gè)特征層對(duì)應(yīng)三個(gè)先驗(yàn)框
anchor_mask = [[6, 7, 8], [3, 4, 5], [0, 1, 2]]
boxes = []
box_scores = []
# inputshape是416x416
# image_shape是實(shí)際圖片的大小
input_shape = tf.shape(yolo_outputs[0])[1 : 3] * 32
# 對(duì)三個(gè)特征層的輸出獲取每個(gè)預(yù)測(cè)box坐標(biāo)和box的分?jǐn)?shù)，score = 置信度x類(lèi)別概率
#---------------------------------------#
# 對(duì)三個(gè)特征層解碼
# 獲得分?jǐn)?shù)和框的位置
#---------------------------------------#
for i in range(len(yolo_outputs)):
_boxes, _box_scores = self.boxes_and_scores(yolo_outputs[i], self.anchors[anchor_mask[i]], len(self.class_names), input_shape, image_shape)
boxes.append(_boxes)
box_scores.append(_box_scores)
# 放在一行里面便于操作
boxes = tf.concat(boxes, axis = 0)
box_scores = tf.concat(box_scores, axis = 0)
3、進(jìn)行得分排序與非極大抑制篩選
這一部分基本上是所有目標(biāo)檢測(cè)通用的部分。不過(guò)該項(xiàng)目的處理方式與其它項(xiàng)目不同。其對(duì)于每一個(gè)類(lèi)進(jìn)行判別。
1、取出每一類(lèi)得分大于self.obj_threshold的框和得分。
2、利用框的位置和得分進(jìn)行非極大抑制。
實(shí)現(xiàn)代碼如下：
#---------------------------------------#
# 1、取出每一類(lèi)得分大于self.obj_threshold
# 的框和得分
# 2、對(duì)得分進(jìn)行非極大抑制
#---------------------------------------#
# 對(duì)每一個(gè)類(lèi)進(jìn)行判斷
for c in range(len(self.class_names)):
# 取出所有類(lèi)為c的box
class_boxes = tf.boolean_mask(boxes, mask[:, c])
# 取出所有類(lèi)為c的分?jǐn)?shù)
class_box_scores = tf.boolean_mask(box_scores[:, c], mask[:, c])
# 非極大抑制
nms_index = tf.image.non_max_suppression(class_boxes, class_box_scores, max_boxes_tensor, iou_threshold = self.nms_threshold)
# 獲取非極大抑制的結(jié)果
class_boxes = tf.gather(class_boxes, nms_index)
class_box_scores = tf.gather(class_box_scores, nms_index)
classes = tf.ones_like(class_box_scores, 'int32') * c
boxes_.append(class_boxes)
scores_.append(class_box_scores)
classes_.append(classes)
boxes_ = tf.concat(boxes_, axis = 0)
scores_ = tf.concat(scores_, axis = 0)
classes_ = tf.concat(classes_, axis = 0)
實(shí)際上該部分與第二部分在一個(gè)函數(shù)里，完成輸出的解碼和篩選，完成預(yù)測(cè)過(guò)程。
def eval(self, yolo_outputs, image_shape, max_boxes = 20):
"""
Introduction
------------
根據(jù)Yolo模型的輸出進(jìn)行非極大值抑制，獲取最后的物體檢測(cè)框和物體檢測(cè)類(lèi)別
Parameters
----------
yolo_outputs: yolo模型輸出
image_shape: 圖片的大小
max_boxes: 最大box數(shù)量
Returns
-------
boxes_: 物體框的位置
scores_: 物體類(lèi)別的概率
classes_: 物體類(lèi)別
"""
# 每一個(gè)特征層對(duì)應(yīng)三個(gè)先驗(yàn)框
anchor_mask = [[6, 7, 8], [3, 4, 5], [0, 1, 2]]
boxes = []
box_scores = []
# inputshape是416x416
# image_shape是實(shí)際圖片的大小
input_shape = tf.shape(yolo_outputs[0])[1 : 3] * 32
# 對(duì)三個(gè)特征層的輸出獲取每個(gè)預(yù)測(cè)box坐標(biāo)和box的分?jǐn)?shù)，score = 置信度x類(lèi)別概率
#---------------------------------------#
# 對(duì)三個(gè)特征層解碼
# 獲得分?jǐn)?shù)和框的位置
#---------------------------------------#
for i in range(len(yolo_outputs)):
_boxes, _box_scores = self.boxes_and_scores(yolo_outputs[i], self.anchors[anchor_mask[i]], len(self.class_names), input_shape, image_shape)
boxes.append(_boxes)
box_scores.append(_box_scores)
# 放在一行里面便于操作
boxes = tf.concat(boxes, axis = 0)
box_scores = tf.concat(box_scores, axis = 0)
mask = box_scores >= self.obj_threshold
max_boxes_tensor = tf.constant(max_boxes, dtype = tf.int32)
boxes_ = []
scores_ = []
classes_ = []
#---------------------------------------#
# 1、取出每一類(lèi)得分大于self.obj_threshold
# 的框和得分
# 2、對(duì)得分進(jìn)行非極大抑制
#---------------------------------------#
# 對(duì)每一個(gè)類(lèi)進(jìn)行判斷
for c in range(len(self.class_names)):
# 取出所有類(lèi)為c的box
class_boxes = tf.boolean_mask(boxes, mask[:, c])
# 取出所有類(lèi)為c的分?jǐn)?shù)
class_box_scores = tf.boolean_mask(box_scores[:, c], mask[:, c])
# 非極大抑制
nms_index = tf.image.non_max_suppression(class_boxes, class_box_scores, max_boxes_tensor, iou_threshold = self.nms_threshold)
# 獲取非極大抑制的結(jié)果
class_boxes = tf.gather(class_boxes, nms_index)
class_box_scores = tf.gather(class_box_scores, nms_index)
classes = tf.ones_like(class_box_scores, 'int32') * c
boxes_.append(class_boxes)
scores_.append(class_box_scores)
classes_.append(classes)
boxes_ = tf.concat(boxes_, axis = 0)
scores_ = tf.concat(scores_, axis = 0)
classes_ = tf.concat(classes_, axis = 0)
return boxes_, scores_, classes_
得到框的位置和種類(lèi)后就可以畫(huà)圖了。
實(shí)現(xiàn)結(jié)果
以上就是python目標(biāo)檢測(cè)yolo3詳解預(yù)測(cè)及代碼復(fù)現(xiàn)的詳細(xì)內(nèi)容，更多關(guān)于yolo3預(yù)測(cè)復(fù)現(xiàn)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
您可能感興趣的文章:
- Python與AI分析時(shí)間序列數(shù)據(jù)
- python編程開(kāi)發(fā)時(shí)間序列calendar模塊示例詳解
- Python中LSTM回歸神經(jīng)網(wǎng)絡(luò)時(shí)間序列預(yù)測(cè)詳情
- 時(shí)間序列預(yù)測(cè)中的數(shù)據(jù)滑窗操作實(shí)例(python實(shí)現(xiàn))
- Python?sklearn預(yù)測(cè)評(píng)估指標(biāo)混淆矩陣計(jì)算示例詳解
- 一文詳解Python灰色預(yù)測(cè)模型實(shí)現(xiàn)示例
- python合并RepeatMasker預(yù)測(cè)結(jié)果中染色體的overlap區(qū)域
- python?Prophet時(shí)間序列預(yù)測(cè)工具庫(kù)使用功能探索
相關(guān)文章
這篇文章主要給大家介紹了關(guān)于Python讀取ini配置文件傳參的相關(guān)資料，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2021-01-01
OpenCV物體跟蹤樹(shù)莓派視覺(jué)小車(chē)實(shí)現(xiàn)過(guò)程學(xué)習(xí)
這篇文章主要介紹了OpenCV物體跟蹤樹(shù)莓派視覺(jué)小車(chē)的實(shí)現(xiàn)過(guò)程學(xué)習(xí)，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步2021-10-10
Python3 shutil（高級(jí)文件操作模塊）實(shí)例用法總結(jié)
在本篇文章里小編給大家整理的是一篇關(guān)于Python3 shutil實(shí)例用法內(nèi)容，有興趣的朋友們可以學(xué)習(xí)下。2020-02-02
python matplotlib如何給圖中的點(diǎn)加標(biāo)簽
這篇文章主要介紹了python matplotlib給圖中的點(diǎn)加標(biāo)簽,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-11-11
利用Python繪制有趣的萬(wàn)圣節(jié)南瓜怪效果
這篇文章主要介紹了用Python繪制有趣的萬(wàn)圣節(jié)南瓜怪效果，本文實(shí)例圖文相結(jié)合給大家介紹的非常詳細(xì)，具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2019-10-10
通過(guò)celery異步處理一個(gè)查詢?nèi)蝿?wù)的完整代碼
今天小編就為大家分享一篇通過(guò)celery異步處理一個(gè)查詢?nèi)蝿?wù)的完整代碼，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2019-11-11
批量將ppt轉(zhuǎn)換為pdf的Python代碼 只要27行!
這篇文章主要為大家詳細(xì)介紹了批量將ppt轉(zhuǎn)換為pdf的Python代碼，只要27行，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2018-02-02
python實(shí)現(xiàn)自動(dòng)發(fā)送郵件
這篇文章主要為大家詳細(xì)介紹了python實(shí)現(xiàn)自動(dòng)發(fā)送郵件功能，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2018-06-06
Python中使用logging和traceback模塊記錄日志和跟蹤異常
今天小編就為大家分享一篇關(guān)于Python中使用logging和traceback模塊記錄日志和跟蹤異常，小編覺(jué)得內(nèi)容挺不錯(cuò)的，現(xiàn)在分享給大家，具有很好的參考價(jià)值，需要的朋友一起跟隨小編來(lái)看看吧2019-04-04
OpenCV讀取與寫(xiě)入圖片的實(shí)現(xiàn)
這篇文章主要介紹了OpenCV讀取與寫(xiě)入圖片的實(shí)現(xiàn)，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2020-10-10