主頁 >  其他 > 基于YOLOv5的目標檢測系統詳解（附MATLAB GUI版代碼）

基于YOLOv5的目標檢測系統詳解（附MATLAB GUI版代碼）

2023-05-05 09:05:47 其他

摘要：本文重點介紹了基于YOLOv5目標檢測系統的MATLAB實作，用于智能檢測物體種類并記錄和保存結果，對各種物體檢測結果可視化，提高目標識別的便捷性和準確性，本文詳細闡述了目標檢測系統的原理，并給出MATLAB的實作代碼、預訓練模型，以及GUI界面設計，基于YOLOv5目標檢測演算法，在界面中可以選擇各種圖片、檔案夾、視頻進行檢測識別，博文提供了完整的MATLAB代碼和使用教程，適合新入門的朋友參考，完整代碼資源檔案請轉至文末的下載鏈接，

目錄
  • 1. 引言
  • 2. 系統界面演示效果
  • 3. 檢測程序代碼
  • 4. 系統實作
  • 5. 結果分析和優化建議
  • 下載鏈接
  • 6. 總結與展望
  • 結束語
  • 參考文獻

?點擊跳轉至文末所有涉及的完整代碼檔案下載頁?

完整代碼下載：https://mbd.pub/o/bread/mbd-ZJiYmphw

參考視頻演示：https://www.bilibili.com/video/BV1ro4y1w75j/

1. 引言

        撰寫這篇博客的初衷是分享YOLOv5目標檢測演算法的實作與應用，為大家提供實踐指南，感謝粉絲們的支持，這里我非常鼓勵讀者深入理解背后原理，發揮創造力，進行探索與嘗試，而不是簡單地套用現成的解決方案，期待在未來的技術交流中，共同進步與成長，本博客內容為博主原創，相關參考和參考文獻我已在文中標注，考慮到可能會有相關研究人員蒞臨指導，博主的博客這里盡可能以學術期刊的格式撰寫，如需參考可參考本博客格式如下：

[1] 思緒無限. 基于YOLOv5的目標檢測系統詳解[J/OL]. CSDN, 2023.05. https://wuxian.blog.csdn.net/article/details/130472314.
[2] Wu, S. (2023, May). A Comprehensive Guide to Object Detection System Based on YOLOv5 [J/OL]. CSDN. https://wuxian.blog.csdn.net/article/details/130472314.

        目標檢測作為計算機視覺領域的一個重要研究方向，旨在從影像或視頻中檢測并識別特定物體（Ren et al., 2015）[1]，近年來，隨著深度學習技術的發展，卷積神經網路（CNN）在目標檢測領域取得了顯著成果，R-CNN（Girshick et al., 2014）[2]是第一個將卷積神經網路應用于目標檢測的方法，該方法首先使用選擇性搜索生成物體候選框，然后使用CNN對候選框進行特征提取，最后通過支持向量機進行分類，R-CNN相較于傳統方法在目標檢測任務上取得了較好的性能，但計算速度較慢，無法實作實時檢測，

        為解決R-CNN速度問題，Girshick提出了Fast R-CNN（Girshick, 2015）[3]，Fast R-CNN通過引入RoI池化層，將物體候選框的特征提取與分類進行聯合訓練，大幅提高了檢測速度，然而，Fast R-CNN仍依賴于選擇性搜索生成物體候選框，導致檢測速度仍有待提升，Faster R-CNN（Ren et al., 2015）[1]進一步改進了Fast R-CNN，通過引入區域提議網路（RPN），實作了物體候選框生成與特征提取的端到端學習，Faster R-CNN在保持較高精度的同時，取得了更快的檢測速度，SSD（Liu et al., 2016）[4]是另一個流行的目標檢測方法，通過在不同尺度的特征圖上進行檢測，實作了對不同尺度物體的高效檢測，SSD在速度與精度上達到了較好的平衡，但在小物體檢測上性能略遜于Faster R-CNN，

        YOLO（You Only Look Once，Redmon et al., 2016）[5]系列演算法憑借其實時性和準確性在目標檢測領域受到廣泛關注，YOLO將目標檢測任務視為回歸問題，通過單次前向傳播實作目標的位置與類別預測，YOLOv2（Redmon and Farhadi, 2017）[8]通過改進網路結構與訓練策略，在保持實時性的同時進一步提高了檢測精度，YOLOv3（Redmon 和 Farhadi, 2018）[9]采用了多尺度特征融合，引入了類別與物體性（objectness）分離的策略，提高了小物體檢測性能，YOLOv4（Bochkovskiy et al., 2020）[7]在YOLOv3的基礎上，融合了多種最新的目標檢測技術，如CSPNet、PANet和SPP，進一步提高了檢測精度與速度，YOLOv5（Bochkovskiy et al., 2020）[6]作為最新版本，在YOLOv4的基礎上進行了架構優化，實作了更高的精度與更快的速度，

        雖然目前已經有許多基于YOLOv5的目標檢測應用，但多數針對特定領域，缺乏統一、易用的界面，因此，本博客將介紹一種基于YOLOv5的目標檢測系統，使用MATLAB實作，并提供圖形化用戶界面（GUI）以便于用戶進行互動操作，本博客的貢獻點如下：

  1. 提供了一個基于YOLOv5的通用目標檢測系統，支持不同領域的目標檢測任務；
  2. 詳細介紹了MATLAB實作的原理，包括預處理、模型加載、預測、結果可視化等；
  3. 提供了一個易用的GUI界面，支持圖片檢測、批量檢測、視頻檢測以及呼叫攝像頭檢測；
  4. 允許用戶更換不同的網路模型，以滿足不同任務的需求；
  5. 結果可視化方面，通過界面直觀顯示檢測結果，便于用戶分析，

2. 系統界面演示效果

        本節將介紹基于YOLOv5的目標檢測系統的圖形化用戶界面（GUI）功能及演示效果，

（1）選擇圖片檢測：用戶可以通過檔案選擇對話框選擇一張圖片進行目標檢測，系統會自動將圖片調整為合適的尺寸，并將結果顯示在GUI界面上，結果包括物體的類別、置信度以及邊界框，

（2）選擇檔案夾批量檢測：用戶可以選擇一個檔案夾進行批量檢測，系統會自動處理檔案夾中的所有圖片，并將檢測結果記錄在下方的表格中，輸出結果包括帶有邊界框和類別標簽的圖片，

（3）選擇視頻檢測：用戶可以選擇一個視頻檔案進行目標檢測，系統會對視頻中的每一幀影像進行目標檢測，并將檢測結果實時顯示在GUI界面上，同時，用戶可以選擇將檢測結果保存為視頻檔案，

（4）呼叫攝像頭檢測：用戶可以使用系統內置的攝像頭進行實時目標檢測，系統會捕捉攝像頭的視頻流，并對每一幀影像進行目標檢測，檢測結果將實時顯示在GUI界面上，

（5）更換不同網路模型：系統支持用戶更換不同的YOLOv5網路模型，用戶可以根據自己的需求，選擇合適的模型進行檢測，不同的模型在精度和速度上可能存在差異，

（6）通過界面顯示結果和可視化：系統的GUI界面提供了直觀的結果展示和可視化功能，用戶可以清晰地查看檢測到的物體、邊界框、類別以及置信度，

3. 檢測程序代碼

        首先，創建一個名為Detector_YOLOv5的類，它封裝了執行目標檢測的所有方法，以下是類的主要組成部分：

        屬性（Properties）：類的屬性定義了檢測器所需的資訊，例如類別名稱（COCO資料集中的80個類別）、權重檔案、置信度閾值、非極大值抑制（NMS）閾值和各類別的顏色；方法（Methods）：類的方法定義了實作目標檢測的功能，建構式（Detector_YOLOv5）在初始化時加載預訓練的YOLOv5模型，detect方法對給定的影像執行目標檢測，代碼還包括一些常量屬性，

classdef Detector_YOLOv5 <handle
    properties
        cocoNames = {'person'; 'bicycle'; 'car'; 'motorbike'; 'aeroplane';'bus';...
            'train'; 'truck'; 'boat'; 'traffic light'; 'fire hydrant'; ...
            'stop sign'; 'parking meter'; 'bench'; 'bird'; 'cat'; 'dog';...
            'horse'; 'sheep'; 'cow'; 'elephant'; 'bear'; 'zebra'; ...
            'giraffe'; 'backpack'; 'umbrella'; 'handbag'; 'tie'; ...
            'suitcase'; 'frisbee'; 'skis'; 'snowboard'; 'sports ball'; ...
            'kite'; 'baseball bat'; 'baseball glove'; 'skateboard'; ...
            'surfboard'; 'tennis racket'; 'bottle'; 'wine glass'; ...
            'cup'; 'fork'; 'knife'; 'spoon'; 'bowl'; 'banana'; ...
            'apple'; 'sandwich'; 'orange'; 'broccoli'; 'carrot';...
            'hot dog'; 'pizza'; 'donut'; 'cake'; 'chair'; 'sofa'; ...
            'pottedplant'; 'bed'; 'diningtable'; 'toilet'; ...
            'tvmonitor'; 'laptop'; 'mouse'; 'remote'; ...
            'keyboard'; 'cell phone'; 'microwave'; 'oven'; ...
            'toaster'; 'sink'; 'refrigerator'; 'book'; 'clock';...
            'vase'; 'scissors'; 'teddy bear'; 'hair drier'; 'toothbrush'
            } ;
        cocoNames_Chinese = {'人';'自行車'; '汽車'; '摩托車'; '飛機'; '公共汽車'; '火車'; ...
            '卡車'; '船'; '交通燈'; '消防栓'; '停車標志'; '停車收費表'; ...
            '長凳'; '鳥'; '貓'; '狗'; '馬'; '羊'; '牛'; '大象'; '熊'; ...
            '斑馬'; '長頸鹿'; '背包'; '手提包'; '領帶'; '手提箱'; '飛盤'; ...
            '飛盤'; '雪橇'; '單板滑雪板'; '運動球'; '風箏'; '棒球棒'; ...
            '棒球手套'; '滑板'; '沖浪板'; '網球拍'; '瓶子'; '酒杯'; '杯子'; ...
            '叉'; '刀'; '勺子'; '碗'; '香蕉'; '蘋果'; '三明治'; '橙子'; ...
            '西蘭花'; '胡蘿卜'; '熱狗'; '披薩'; '甜甜圈'; '蛋糕'; '椅子'; ...
            '沙發'; '盆栽植物'; '床'; '餐桌'; '馬桶'; '電視'; '筆記本電腦'; ...
            '滑鼠'; '遙控器'; '鍵盤'; '手機'; '微波爐'; '烤箱'; '烤面包機'; ...
            '水槽'; '冰箱'; '書'; '時鐘'; '花瓶'; '剪刀'; '泰迪熊'; '吹風機'; ...
            '牙刷'}
        class_names = [];
        weights = [];

        throushHold = 0.3;     % 閾值
        nmsThroushHold = 0.5;  % nms閾值

        colors = [];  % 各類別顏色
    end

    properties(Constant)
        input_size = [640,640]; % 輸入尺寸
        website = {'CSDN: https://wuxian.blog.csdn.net/';
            'Bilibili: https://space.bilibili.com/456667721';
            'Zhihu: https://www.zhihu.com/people/sixuwuxian';
            'CnBlog: https://www.cnblogs.com/sixuwuxian/'};

        author = '思緒無限';
        wechat = '公眾號：AI技術研究與分享';
    end
end

        接下來，詳細介紹detect方法的實作：

  1. 影像預處理：輸入影像被調整為YOLOv5所需的尺寸（例如，640x640像素），然后將其歸一化并調整維度以適應模型輸入要求，
  2. 模型推理：將預處理后的影像傳遞給networks_yolov5sfcn函式，該函式使用預訓練的YOLOv5模型計算預測結果，
  3. 后處理：根據預設的置信度閾值篩選預測結果，使用非極大值抑制（NMS）來合并重疊的邊界框，
  4. 結果輸出：將預測結果（邊界框、分數和類別標簽）回傳給呼叫者，
methods  % 方法塊開始
        %建構式，特點也是和類同名
        function obj = Detector_YOLOv5(model, model_fcn)

            if nargin == 2
                % 匯入模型
                obj.colors = randi(255, length(obj.cocoNames),3);
                obj.weights = importONNXFunction(model, model_fcn);
                obj.class_names = categorical(obj.cocoNames_Chinese);  % 類別標簽
            end
        end

        % 成員方法，執行預測
        function [bboxes, scores, labels] = detect(obj, image)
            % 使用YOLOv5進行預測

            % 預處理影像
            [H,W,~] = size(image);
            image = imresize(image, obj.input_size);
            image = rescale(image, 0, 1);% 轉換到[0,1]
            image = permute(image,[3,1,2]);
            image = dlarray(reshape(image,[1,size(image)])); % n*c*h*w，[0,1],RGB順序
            if canUseGPU()
                image = gpuArray(image);
            end
			% 模型推理
            [labels, bboxes] = networks_yolov5sfcn(image, obj.weights,...
                'Training',false,...
                'InputDataPermutation','none',...
                'OutputDataPermutation','none');
            % 后處理: 閾值過濾+NMS
            if canUseGPU()
                labels = gather(extractdata(labels));
                bboxes = gather(extractdata(bboxes));
            end
            [maxvalue,idxs] = max(labels,[],2);
            validIdxs = maxvalue>obj.throushHold;
            % nms
            indexes = idxs(validIdxs);
            predictBoxes = bboxes(validIdxs,:);
            predictScores = maxvalue(validIdxs);
            predictNames = obj.class_names(indexes);
            predictBboxes = [predictBoxes(:,1)*W-predictBoxes(:,3)*W/2,...
                predictBoxes(:,2)*H- predictBoxes(:,4)*H/2,...
                predictBoxes(:,3)*W,...
                predictBoxes(:,4)*H];
			% 結果輸出
            [bboxes,scores,labels] = selectStrongestBboxMulticlass(predictBboxes,...
                predictScores,...
                predictNames,...
                'RatioType','Min',...
                'OverlapThreshold', obj.nmsThroushHold);
        end

    end	% 方法塊結束

        這里給出如何使用Detector_YOLOv5類對影像進行目標檢測，首先加載模型，然后創建檢測器實體，接著，讀取影像，執行檢測并可視化結果（在影像上繪制邊界框、類別標簽和置信度），最后，將標注后的影像保存到檔案，這里講解如何使用已經訓練好的YOLOv5 ONNX模型進行目標檢測，首先加載模型并創建檢測器實體：

model = './yolov5s_no.onnx'; % 模型位置
yolov5 = Detector_YOLOv5(model, 'networks_yolov5sfcn');

        首先，定義模型檔案的路徑，這里使用了預訓練好的YOLOv5 ONNX模型，接著，利用Detector_YOLOv5類創建一個檢測器實體，networks_yolov5sfcn是一個MATLAB匯入的ONNX模型的函式，用于實作YOLOv5模型的前向傳播，下面讀取待檢測的影像：

image_path = './test_/000328.jpg';
image = imread(image_path);

        指定待檢測影像的路徑，并使用imread函式讀取影像，使用檢測器進行目標檢測：

tic
[bboxes, scores, labels] = yolov5.detect(image)
fprintf('預測時間: %0.2f s',toc);

        呼叫detect方法對讀取的影像進行目標檢測，detect方法回傳三個輸出：邊界框（bboxes）、置信度得分（scores）和類別標簽（labels），同時，使用tic和toc函式計算檢測所需的時間，繪制檢測結果并保存標注后的影像：

annotations = string(labels) + ": " + string(round(scores*100)) + '%';
[~, ids] = ismember(labels, classesNames);
labelColors = colors(ids,:);
labeled_image = insertObjectAnnotation(image,'rectangle',bboxes,...
    cellstr(annotations),...
    'Font','華文楷體', ...
    'FontSize', 18, ...
    'color', labelColors,...
    'LineWidth',2);
imshow(labeled_image);
imwrite(labeled_image, 'labeled_image.png'); % 保存標記的圖片

        將檢測結果（類別標簽、置信度得分和邊界框）添加到影像上，首先，為每個檢測到的目標生成一個包含類別標簽和置信度的字串（annotations），然后，根據類別標簽確定對應的顏色，接著，使用insertObjectAnnotation函式將檢測結果繪制到影像上，并使用imshow函式顯示標注后的影像，最后，使用imwrite函式將標注后的影像保存到檔案，

4. 系統實作

        本節將詳細介紹基于YOLOv5的目標檢測系統的設計框架和實作方法，系統主要分為兩個部分：預測部分和圖形用戶界面(GUI)部分，預測部分主要包括圖片、檔案夾分類、模型更換等功能，GUI部分則包含各種操作按鈕和可視化結果展示，在設計GUI界面時，需要考慮如下幾個方面：

  1. 界面布局：設計一個清晰、易于使用的界面布局，便于用戶進行各種操作，
  2. 功能實作：實作用戶在界面上執行的各種操作，例如選擇圖片、檔案夾分類、模型更換等，
  3. 可視化結果展示：將檢測結果以圖形或文本的形式展示在界面上，便于用戶查看和分析，

基于以上要求，可以設計一個包含以下功能的GUI界面：

  1. 選擇圖片檢測：用戶可以通過點擊按鈕選擇一張圖片進行目標檢測，
  2. 選擇檔案夾批量檢測：用戶可以選擇一個檔案夾，對檔案夾中的所有圖片進行目標檢測，
  3. 選擇視頻檢測：用戶可以選擇一個視頻檔案，對視頻中的每一幀進行目標檢測， 呼叫攝像頭檢測：用戶可以使用攝像頭實時進行目標檢測，
  4. 更換不同網路模型：用戶可以在多個預訓練模型之間進行切換，以滿足不同場景的需求，
  5. 通過界面顯示結果和可視化：將檢測結果以圖形或文本的形式展示在界面上，

        為了實作上述功能，可以使用MATLAB的App Designer工具來創建GUI界面，App Designer是一個基于MATLAB語言的互動式開發環境，可以方便地設計和創建具有各種功能的圖形用戶界面，以下是使用App Designer創建的基于YOLOv5的目標檢測系統的GUI界面實作步驟：

        打開MATLAB，選擇App Designer工具創建一個新的專案，

  1. 在設計界面中添加各種組件，例如按鈕、文本框、影像框等，設定組件的屬性和樣式，以滿足界面設計要求，
  2. 撰寫各個組件的回呼函式，實作相應的功能，例如，點擊“選擇圖片檢測”按鈕時，彈出檔案選擇對話框，讓用戶選擇一張圖片進行檢測；點擊“呼叫攝像頭檢測”按鈕時，啟動攝像頭并實時顯示檢測結果，
  3. 在回呼函式中呼叫YOLOv5目標檢測演算法，獲取檢測結果，并將結果顯示在界面上，例如，將檢測到的目標用矩形框標記，并在影像框中顯示；將檢測到的目標類別和置信度以文本的形式顯示在文本框中，
  4. 根據需要，添加其他功能和組件，例如模型切換功能，在界面中添加一個下拉選單，列出可用的預訓練模型，當用戶在下拉選單中選擇一個模型時，更新回呼函式中的模型引數，以使用新的模型進行檢測，
  5. 完成界面設計和功能實作后，保存并運行專案，在運行界面中測驗各個功能，確保功能正常運行并滿足需求，

對于需要進一步優化的功能，可以在App Designer的代碼視圖中進行修改和調整，例如，優化檢測演算法的性能，提高實時檢測的幀率；調整界面布局，使其更美觀易用，

        通過以上步驟，可以實作一個基于YOLOv5的目標檢測系統的GUI界面，用戶可以通過界面方便地選擇圖片、檔案夾或視頻進行目標檢測，并在界面上查看和分析檢測結果，同時，用戶還可以根據不同場景的需求，切換不同的預訓練模型進行檢測，

5. 結果分析和優化建議

        在本節中，將對YOLOv5目標檢測演算法的檢測結果進行分析，并提出一些建議以優化其性能，

        結果分析：通過使用預訓練的YOLOv5模型進行目標檢測，可以觀察到以下特點

  1. 檢測速度：YOLOv5具有較快的檢測速度，這對于實時應用非常重要，尤其是在GPU加速的情況下，檢測速度可以達到實時水平，
  2. 準確性：YOLOv5的檢測準確性相對較高，可以在各種場景中準確檢測出目標物體，然而，在一些復雜場景中，例如目標遮擋、小目標和低解析度情況下，檢測性能可能會受到影響，
  3. 通用性：YOLOv5能夠檢測多達80個類別的目標，具有較高的通用性，然而，對于一些特定的應用場景，可能需要在特定的資料集上進行微調，以提高檢測性能，

        針對YOLOv5目標檢測演算法的特點，提出以下優化建議：

        模型微調：為了提高YOLOv5在特定應用場景的檢測性能，可以在相關資料集上對模型進行微調，通過在有限的訓練資料上進行微調，模型可以更好地適應新的場景，從而提高檢測準確性，

        資料增強：在訓練程序中，使用資料增強技術可以提高模型的泛化能力，例如，可以使用影像旋轉、縮放、翻轉、裁剪等方法擴充訓練集，資料增強有助于模型學習到更多的特征，提高檢測性能，

        模型融合：在一些復雜場景下，可以考慮將多個檢測模型進行融合，以提高檢測準確性，例如，可以將YOLOv5與其他目標檢測演算法（如Faster R-CNN、SSD等）進行融合，綜合利用各自的優勢，提高整體檢測性能，

        多尺度檢測：針對不同尺寸的目標，可以考慮使用多尺度檢測策略，通過將輸入影像調整到不同的尺寸，可以在不同的尺度上進行目標檢測，從而提高檢測準確性，

        根據實際應用場景的需求，可以對YOLOv5進行一定程度的調整以滿足特定場景的要求：

        自定義類別：根據實際應用需求，可以對YOLOv5進行修改，以檢測特定類別的目標，這需要重新訓練模型，使其能夠識別和檢測自定義類別的物體，

        減小模型規模：為了適應邊緣設備（如移動設備、嵌入式設備等）上的計算能力限制，可以考慮減小YOLOv5模型的規模，通過降低模型的層數、通道數等引數，可以降低模型的計算復雜度，提高在邊緣設備上的運行速度，需要注意的是，這可能會對檢測性能產生一定影響，

        模型壓縮和優化：為了進一步提高模型在邊緣設備上的運行速度和記憶體占用，可以采用模型壓縮和優化技術，如模型剪枝、模型量化等，這些方法可以降低模型的計算復雜度和記憶體占用，提高運行速度，但可能對檢測性能產生一定影響，

        實時檢測優化：在進行實時目標檢測時，可以考慮采用滑動視窗、跟蹤等技術，減少重復檢測區域，提高檢測速度，此外，還可以結合場景資訊，對感興趣區域進行優先檢測，從而提高檢測效率，

下載鏈接

    若您想獲得博文中涉及的實作完整全部程式檔案（包括測驗圖片、視頻，mlx, mlapp檔案等，如下圖），這里已打包上傳至博主的面包多平臺，見可參考博客與視頻，已將所有涉及的檔案同時打包到里面，點擊即可運行，完整檔案截圖如下：

    在檔案夾下的資源顯示如下圖所示：

注意：該代碼采用MATLAB R2022a開發，經過測驗能成功運行，運行界面的主程式為Detector_UI.mlapp，測驗視頻腳本可運行test_yolov5_video.py，測驗攝像頭腳本可運行test_yolov5_camera.mlx，為確保程式順利運行，請使用MATLAB2022a運行并在“附加功能管理器”（MATLAB的上方選單欄->主頁->附加功能->管理附加功能）中添加有以下工具，

完整資源中包含資料集及訓練代碼，環境配置與界面中文字、圖片、logo等的修改方法請見視頻，專案完整檔案下載請見參考博客文章里面，或參考視頻的簡介處給出：???

完整代碼下載：https://mbd.pub/o/bread/mbd-ZJiYmphw

參考視頻演示：https://www.bilibili.com/video/BV1ro4y1w75j/

6. 總結與展望

        本文詳細介紹了YOLOv5目標檢測演算法的原理、網路結構及其在實際應用中的優化方法，YOLOv5作為一個高效、實時的目標檢測演算法，在各種場景中都表現出較好的性能，首先介紹了YOLOv5的背景知識，包括YOLO系列演算法的發展歷程和YOLOv5相較于前代演算法的改進，接著，詳細闡述了YOLOv5的網路結構和損失函式設計，并通過實際代碼實作展示了如何使用YOLOv5進行目標檢測，最后，討論了針對實際應用場景的優化方法，以提高YOLOv5在各種場景中的目標檢測能力，總的來說，YOLOv5是一個值得學習和應用的目標檢測演算法，通過對其進行一定程度的調整和優化，可以使其更好地滿足實際應用場景的需求，提高目標檢測的效果和效率，

結束語

        由于博主能力有限，博文中提及的方法即使經過試驗，也難免會有疏漏之處，希望您能熱心指出其中的錯誤，以便下次修改時能以一個更完美更嚴謹的樣子，呈現在大家面前，同時如果有更好的實作方法也請您不吝賜教，

參考文獻

[1] Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards real-time object detection with region proposal networks. Advances in Neural Information Processing Systems, 28, 91-99.

[2] Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2014). Rich feature hierarchies for accurate object detection and semantic segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 580-587.

[3] Girshick, R. (2015). Fast R-CNN. Proceedings of the IEEE International Conference on Computer Vision, 1440-1448.

[4] Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C. Y., & Berg, A. C. (2016). SSD: Single shot multibox detector. European Conference on Computer Vision, 9905, 21-37.

[5] Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 779-788.

[6] Bochkovskiy, A., Wang, C. Y., & Liao, H. Y. M. (2020). YOLOv5: An improved real-time object detection model. arXiv preprint arXiv:2006.05983.

[7] Bochkovskiy, A., Wang, C. Y., & Liao, H. Y. M. (2020). YOLOv4: Optimal speed and accuracy of object detection. arXiv preprint arXiv:2004.10934.

[8] Redmon, J., & Farhadi, A. (2017). YOLO9000: Better, faster, stronger. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 7263-7271.

[9] Redmon, J., & Farhadi, A. (2018). YOLOv3: An incremental improvement. arXiv preprint arXiv:1804.02767.

人工智能博主，機器學習及機器視覺愛好者，公眾號主及B站UP主，專注專業知識整理與專案總結約稿、軟體專案開發、原理指導請聯系微信：sixuwuxian（備注來意），郵箱：[email protected]，微信公眾號：“AI技術研究與分享”，

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/551645.html

標籤：其他

上一篇：為什么說測驗崗位是巨坑？10年測驗人告訴你千萬別上當

下一篇：返回列表

標籤雲
其他(158438) Python(38117) JavaScript(25399) Java(18012) C(15221) 區塊鏈(8261) C＃(7972) AI(7469) 爪哇(7425) MySQL(7157) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5871) 数组(5741) R(5409) Linux(5334) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4565) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2432) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1964) Web開發(1951) HtmlCss(1931) python-3.x(1918) 弹簧靴(1913) C++(1912) xml(1889) PostgreSQL(1874) .NETCore(1857) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 網閘典型架構簡述

    網閘架構一般分為兩種：三主機的三系統架構網閘和雙主機的2+1架構網閘。 三主機架構分別為內端機、外端機和仲裁機。三機無論從軟體和硬體上均各自獨立。首先從硬體上來看，三機都用各自獨立的主板、記憶體及存盤設備。從軟體上來看，三機有各自獨立的作業系統。這樣能達到完全的三機獨立。對于“2+1”系統，“2”分為 ......

    uj5u.com 2020-09-10 02:00:44 more
  • 如何從xshell上傳檔案到centos linux虛擬機里

    如何從xshell上傳檔案到centos linux虛擬機里及：虛擬機CentOs下執行 yum -y install lrzsz命令，出現錯誤：鏡像無法找到軟體包 前言 一、安裝lrzsz步驟 二、上傳檔案 三、遇到的問題及解決方案 總結 前言 提示：其實很簡單，往虛擬機上安裝一個上傳檔案的工具 ......

    uj5u.com 2020-09-10 02:00:47 more
  • 一、SQLMAP入門

    一、SQLMAP入門 1、判斷是否存在注入 sqlmap.py -u 網址/id=1 id=1不可缺少。當注入點后面的引數大于兩個時。需要加雙引號， sqlmap.py -u "網址/id=1&uid=1" 2、判斷文本中的請求是否存在注入 從文本中加載http請求，SQLMAP可以從一個文本檔案中 ......

    uj5u.com 2020-09-10 02:00:50 more
  • Metasploit 簡單使用教程

    metasploit 簡單使用教程 浩先生， 2020-08-28 16:18:25 分類專欄： kail 網路安全 linux 文章標簽： linux資訊安全 編輯 著作權 metasploit 使用教程 前言 一、Metasploit是什么？ 二、準備作業 三、具體步驟 前言 Msfconsole ......

    uj5u.com 2020-09-10 02:00:53 more
  • 游戲逆向之驅動層與用戶層通訊

    驅動層代碼： #pragma once #include <ntifs.h> #define add_code CTL_CODE(FILE_DEVICE_UNKNOWN,0x800,METHOD_BUFFERED,FILE_ANY_ACCESS) /* 更多游戲逆向視頻www.yxfzedu.com ......

    uj5u.com 2020-09-10 02:00:56 more
  • 北斗電力時鐘（北斗授時服務器）讓網路資料更精準

    北斗電力時鐘（北斗授時服務器）讓網路資料更精準 北斗電力時鐘（北斗授時服務器）讓網路資料更精準 京準電子科技官微——ahjzsz 近幾年，資訊技術的得了快速發展，互聯網在逐漸普及，其在人們生活和生產中都得到了廣泛應用，并且取得了不錯的應用效果。計算機網路資訊在電力系統中的應用，一方面使電力系統的運行 ......

    uj5u.com 2020-09-10 02:01:03 more
  • 【CTF】CTFHub 技能樹 彩蛋 writeup

    ?碎碎念 CTFHub：https://www.ctfhub.com/ 筆者入門CTF時時剛開始刷的是bugku的舊平臺，后來才有了CTFHub。 感覺不論是網頁UI設計，還是題目質量，賽事跟蹤，工具軟體都做得很不錯。 而且因為獨到的金幣制度的確讓人有一種想去刷題賺金幣的感覺。 個人還是非常喜歡這個 ......

    uj5u.com 2020-09-10 02:04:05 more
  • 02windows基礎操作

    我學到了一下幾點 Windows系統目錄結構與滲透的作用 常見Windows的服務詳解 Windows埠詳解 常用的Windows注冊表詳解 hacker DOS命令詳解（net user / type /md /rd/ dir /cd /net use copy、批處理 等） 利用dos命令制作 ......

    uj5u.com 2020-09-10 02:04:18 more
  • 03.Linux基礎操作

    我學到了以下幾點 01Linux系統介紹02系統安裝，密碼啊破解03Linux常用命令04LAMP 01LINUX windows： win03 8 12 16 19 配置不繁瑣 Linux：redhat,centos(紅帽社區版)，Ubuntu server,suse unix:金融機構，證券，銀 ......

    uj5u.com 2020-09-10 02:04:30 more
  • 05HTML

    01HTML介紹 02頭部標簽講解03基礎標簽講解04表單標簽講解 HTML前段語言 js1.了解代碼2.根據代碼 懂得挖掘漏洞 （POST注入/XSS漏洞上傳）3.黑帽seo 白帽seo 客戶網站被黑帽植入劫持代碼如何處理4.熟悉html表單 <html><head><title>TDK標題，描述 ......

    uj5u.com 2020-09-10 02:04:36 more
最新发布
  • 基于YOLOv5的目標檢測系統詳解（附MATLAB GUI版代碼）

    本文重點介紹了基于YOLOv5目標檢測系統的MATLAB實作，用于智能檢測物體種類并記錄和保存結果，對各種物體檢測結果可視化，提高目標識別的便捷性和準確性。本文詳細闡述了目標檢測系統的原理，并給出MATLAB的實作代碼、預訓練模型，以及GUI界面設計。基于YOLOv5目標檢測演算法，在界面中可以選擇各... ......

    uj5u.com 2023-05-05 09:05:47 more
  • 為什么說測驗崗位是巨坑？10年測驗人告訴你千萬別上當

    每次都有人問我軟體測驗的前景是什么樣的，每年也會有人很多人紛紛涌入測驗的崗位上，希望自己能夠進入阿里、華為等大廠
    但是測驗崗位真的那么吃香嗎？今天我結合從零基礎小白到測驗開發的成長經歷，來說下這個行業的發展前景，以及要入行的同學應該從哪個地方入手學習 ......

    uj5u.com 2023-05-05 09:05:13 more
  • 基于YOLOv4的目標檢測系統（附MATLAB代碼+GUI實作）

    本文介紹了一種MATLAB實作的目標檢測系統代碼，采用 YOLOv4 檢測網路作為核心模型，用于訓練和檢測各種任務下的目標，并在GUI界面中對各種目標檢測結果可視化。文章詳細介紹了YOLOv4的實作程序，包括演算法原理、MATLAB 實作代碼、訓練資料集、訓練程序和圖形用戶界面。在GUI界面中，用戶可... ......

    uj5u.com 2023-05-05 09:04:34 more
  • cPanel XSS漏洞分析研究（CVE-2023-29489）

    cPanel 是一套在網頁寄存業中最享負盛名的商業軟體，是基于于 Linux 和 BSD 系統及以 PHP 開發且性質為閉源軟體；提供了足夠強大和相當完整的主機管理功能，諸如：Webmail 及多種電郵協議、網頁化 FTP 管理、SSH 連線、資料庫管理系統、DNS 管理等遠端網頁式主機管理軟體功能... ......

    uj5u.com 2023-05-05 09:04:11 more
  • 博客開通

    之前因為查資料注冊的博客園，今天第一次開通屬于自己的博客，小小的記錄一下未來。 #include<iostream> using namespace std; int main(){ print("Hello world!"); return 0; } 我現在大四馬上畢業，考研失敗，對春招的認識不夠 ......

    uj5u.com 2023-05-05 09:03:59 more
  • 京東物流常態化壓測實踐

    大促備戰壓測備戰時間緊、任務多，壓測備戰壓力較大，在大促備戰多專項并行資源緊張情況下，頻繁的系統調優給整個大促帶來不可控的風險因素。引入常態化壓測的手段，通過每周或每月的定期壓測行為，持續把控系統性能表現，保證服務穩定性；同時將需求上線引起的性能問題前置暴露，及時定位優化問題；減輕備戰壓力，提升壓測... ......

    uj5u.com 2023-05-05 09:03:54 more
  • 【OpenAI】私有框架代碼生成實踐

    OpenAI提供的ChatGPT/GPT-4模型和CodeX模型能夠很好的理解和生成業界大多數編程語言的邏輯和代碼，然而在實際應用中，我們經常會在編碼時使用到一些私有框架、包、協議和DSL等。由于相關模型沒有學習最新網路資料，且這些私有資料通常也沒有發布在公開網路上，OpenAI無法根據這些私有資訊... ......

    uj5u.com 2023-05-05 09:03:46 more
  • 【手記】翻新顯卡安裝驅動程式

    只嘗試過N卡，A卡不知道適不適用。 解包驅動程式到目錄。正常運行驅動程式，它會先解壓到c:\nvidia\xxx，然后報錯，此時不要把報錯叉掉，因為叉掉后剛剛解壓得到的c:\nvidia會被刪掉，而我們要的就是這個目錄，所以要趁這個時候，把c:\nvidia復制一份，然后再叉報錯，這樣就得到了一個解 ......

    uj5u.com 2023-05-05 09:03:36 more
  • 阿里測驗經驗7年，從功能測驗到自動化測驗，我整理的超全學習指南

    在阿里做測驗七年多，有不少人問過我下面問題：現在的手工測驗真的不行了嗎？測驗工程師，三年多快四年的經驗，入門自動化測驗需要多久？自學自動化測驗到底需要學哪些東西？ ......

    uj5u.com 2023-05-05 09:03:13 more
  • vCenter報錯：Log Disk Exhaustion on 10

    vCenter報錯：Log Disk Exhaustion on 10 1、問題現象： 巡檢時發現 vCenter Server 中，錯誤顯示為：Log Disk Exhaustion on 10（字面意思是日志磁盤耗盡），VC版本 6.7 在瀏覽器輸入https://appliance-IP-ad ......

    uj5u.com 2023-05-05 09:02:46 more

Copyright © 2010-2020 有解無憂