CV

在利用opencv进行图片处理是出现以下报错信息：cv2.error: OpenCV(4.5.3) C:\Users\runneradmin\AppData\Local\Temp\pip-req-bu

概念： TP TN FP FN里面一共出现了4个字母，分别是T,F,P,N。 T是True； F是False； P是Positive； N是Negative。 T或者F代表的是该样本 是否被正确分类。

对于源代码的解读 map部分 get_map.py 这个部分是对模型的结果进行一个评估 调用到 get_map_txt方法 detection-results文件夹效果展示 记录对于测试文件的预测框信

对于源代码的解读 map部分 get_map函数 获得的类别预测框json 真实文件的框json 对于VOC_AP的调用 AP的计算图，我们寻找不变的点的，主要是为了确定矩形的长宽信息，方便计算。 最

生成训练验证测试txt文件 voc_annotation.py 分文件就不进行展示了，只展示2007_train.txt的效果 查看网络的层次结构和参数数量 summary.py 网络的结构如下 我们

对于源代码的解读 训练部分 yolo_training.py文件 对引用到的函数进行详细解读 对get_target的详细解读 y_true的数据展示，因为我们使用giou，所以前四维都是相对特征图(

对于源代码的解读 训练部分 callbacks.py文件 主要可以对loss的可视化部分的代码进行学习，方便我们观察指标的变化，提前终止训练或者更换参数后继续训练

对于源代码的解读 训练部分 train.py文件 对上面调用到的函数进行详解 weights_init解读 YoloDataset的解读 对于YoloDataset的解读：https://juejin

代码主要是参考bubbliiing的github YOLOv3的代码：https://github.com/bubbliiiing/yolo3-pytorch 对于源代码的解读 训练部分 train.

对于源代码的解读 预测部分 yolo.py文件 根据上面的预测的代码的部分我们，追踪到原始文件YOLO中的detect_image方法 针对与上面的代码进行详细的解读： _default 初始化 比较

对于源代码的解读 预测部分 nets\yolo.py文件 网络的构建主要是按照这张图进行左侧方框的部分就是我们的主干网络darknet53,右侧中我们能看到的5L和convD 3x3 + conv2D

对于源代码的解读 预测部分 nets\yolo.py文件 针对与上面的代码进行详细的解读： 比较简单，不解读

对于源代码的解读 box的解码部分 utils/utils_bbox.py文件 初始化部分 重点decode_box

前景知识部分 计算机需要下面四个参数就能确定猫的位置了 为了防止失真的问题，我们使用的是填充技术 划分成不同的大小的特征图13 * 13 、26 * 26、52 * 52 物体的中心点落在了那个网格中

一、语法：cap = cv2.VideoCapture(0) 说明：参数0表示默认为笔记本的内置第一个摄像头，如果需要读取已有的视频则参数改为视频所在路径路径，例如：cap=cv2.VideoCapt

Abstract 我们在YOLO上又做出了一些更新！实现了许多可以提升系统性能的小设计，也训练了一个非常棒的新网络。虽然新网络较上一版稍显庞大，但精度也提高了不少。不过，你也不用担心，因为它依旧很快。

Abstract 我们介绍YOLO9000，一个最先进的，实时目标检测系统，可以检测超过9000个目标类别。首先，我们提出对YOLO检测方法的各种改进方法，包括新颖的和从以前的工作中得出的。改进的模型

Abstract 本文提出了一种新的物体检测方法YOLO。YOLO之前的物体检测方法主要是通过region proposal产生大量的可能包含待检测物体的 potential bounding box

OpenCV-Python——图片的加载、显示、保存 本小节，我们将学习在Python语言中利用OpenCV库来实现图片的读取、显示、保存，所有的这些图片都是一个numpy.ndarray，这三种操作

函数原型： 参数解释： InputArray src 输入图片 OutputArray dst 输出图片 Size 输出图片尺寸 fx, fy 沿x轴，y轴的缩放系数 interpolation 插入