人工智能项目实战

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

针对于大佬的小型知识图谱的项目构建思路进行整理 大佬的github地址：https://github.com/zhihao-chen/QASystemOnMedicalKG 这个知识图谱的构建的过程分

chatbot_graph.py：问答程序脚本 question_classifier.py：问句类型分类脚本 question_parser.py：问句解析脚本 answer_search.py 定

neo4j数据导入 neo4j的安装不在赘述，详情可以看这篇blog：https://juejin.cn/post/7080443743018418212 我们首先先开启neo4j 我们可以在浏览器中

数据采集部分 这个部分的代码并没有运行，因为在data文件夹中，已经将准备好了要导入neo4j的json数据，所以我们不用在获取一遍数据了，这里只是做代码的解读 data_spider.py 数据对应

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

自定义数据读取器(第二个重点) 在读取真实框信息时，需要设置用于训练的标签信息，导入from utils import convert_bbox2labels ，设置标签。 设置标签就是确定真实框的中

读完YOLOv1的论文,结合paddle的YOLOv1的代码分析细节 第一、查看数据的格式 我们对数据集pascalvoc进行解压得到如下的数据结构: 这次我们主要使用到的文件夹主要是以下三个：Ima

用PaddleX中的Mask RCNN快速实现实例分割训练 比赛的链接:https://aistudio.baidu.com/aistudio/competition/detail/24/0/intr

用PaddleX中的Faster RCNN快速实现目标检测训练 比赛的链接:https://aistudio.baidu.com/aistudio/competition/detail/24/0/in