Pascal VOC2012作为基准数据之一，在对象检测、图像分割网络对比实验与模型效果评估中被频频使用，但是如果没有制作过此格式的数据集就会忽略很多细节问题，今天我们一起来从头到尾扒一扒Pascal VOC2012 数据集各种细节问题。
将ICDAR2011数据集简单制作成VOC2007格式, 放入Faster_RCNN
工业缺陷检测是当前深度学习落地的热门项目，其中瓷砖生产过程中的“质量检测环节”需要检测出瓷砖表面的瑕疵，目前比较依赖于人工，效果和效率都层次不齐。
基于OpenCV与tensorflow object detection API使用迁移学习，基于SSD模型训练实现手势识别完整流程，涉及到数据集收集与标注、VOC2012数据集制作，tfrecord数据生成、SSD迁移学习与模型导出，OpenCV摄像头实时视频流读取与检测处理，整个过程比较长，操作步骤比较多，这里说一下主要阶段与关键注意点。
接着上一次的多标签分类综述，本文主要以Pascal VOC2012增强数据集进行多标签图像分类训练，详细介绍增强数据集制作、训练以及指标计算过程，并通过代码进行详细阐述，希望能为大家提供一定的帮助！
基于image-level的弱监督图像语义分割大多数以传统分类网络作为基础，从分类网络中提取物体的位置信息，作为初始标注。
本文主要介绍了如何利用Caffe进行目标检测，包括数据集制作、模型选择、训练过程等内容。在训练过程中，作者遇到了许多问题，包括protobuf版本的问题、训练参数设置的问题、显卡内存不足的问题等。作者通过调整参数和版本，成功解决了这些问题，最终得到了一个较为理想的目标检测模型。
在之前的那篇文章中：深度学习图像分割（一）——PASCAL-VOC2012数据集（vocdevkit、Vocbenchmark_release）详细介绍 我们大概了解了VOC2012图像分割数据集的基本格式，现在我们来讨论一下我们具体需要什么样的数据格式和我们如何去制作自己的数据集。
Learning Object Interactions and Descriptions for Semantic Image Segmentation CVPR2017
“本文主要内容：基于自制的仿VOC数据集，利用caffe框架下的MobileNet-SSD模型训练。” 本文的base是https://github.com/chuanqi305/MobileNet-SSD，这个project又是基于https://github.com/weiliu89/caffe/tree/ssd，因此项目编译和数据库生成大多同 weiliu89的base。以下从环境搭建、数据集制作、模型训练、模型测试四个环节介绍整个过程。 01 — 环境搭建 weiliu89的caffe框架下SSD环
最近刚刚接触深度学习，并尝试学习制作数据集，制作过程中发现了一个问题，现在跟大家分享一下。问题是这样的，在制作voc数据集时，我采集的是灰度图像，并已经用labelimg生成了每张图像对应的XML文件。训练时发现好多目标检测模型使用的训练集是彩色图像，因此特征提取网络的输入是m×m×3的维度的图像。所以我就想着把我采集的灰度图像的深度也改成3吧。批量修改了图像的深度后，发现XML中的depth也要由1改成3才行。如果重新对图像标注一遍生成XML文件的话太麻烦，所以就想用python批量处理一下。果然在网上找到了类似的代码，简单修改一下就可以实现我们想要的功能了。
这是一个efficientnet-yolo3-tf2的源码，将yolov3的主干特征提取网络修改成了efficientnet
Tensorflow自从发布了object detection API这套对象检测框架以来，成为很多做图像检测与对象识别开发者手中的神兵利器，因为他不需要写一行代码，就可以帮助开发者训练出一个很好的自定义对象检测器(前提是有很多标注数据)。我之前曾经写过几篇文章详细介绍了tensorflow对象检测框架的安装与使用，感兴趣可以看如下几篇文章!
本文介绍如何使用 PyTorch 实现 FCN 对 PASCAL VOC 数据集进行分类。首先，使用 Docker 安装 PyTorch 和 torchvision，然后使用 torchvision.datasets.VOCSegmentation 载入 PASCAL VOC 数据集。接着，使用 torchvision.models.detection.faster_rcnn.FasterRCNN 将数据集进行分类，并输出预测结果。最后，使用自定义的 colorization 函数将预测结果着色，并保存为图像文件。
训练所需的pth可以在百度网盘下载。 包括Efficientdet-d0到d7所有权重。 链接: https://pan.baidu.com/s/1Kvv526YYSDJEf9BzWfIb3Q 提取码: f9g3
论文地址 YOLOX: Exceeding YOLO Series in 2021
最近总是有很多入门的朋友问我，我进入计算机视觉这个领域难不难？是不是要学习很多知识？到底哪个方向比较好？。。。。。这些问题其实我也不好回答他们，只能衷心告诉他们，如果你对这领域特别感兴趣，那你可以进来试试玩玩，如果试过了玩过了，觉得这不是你喜欢的领域，那你可以立马退出，选择你喜欢的领域方向。我个人一直认为，科研这个东西，真的是要有兴趣爱好，这是你动力和创新的源泉。只有对自己选择的领域有兴趣，有动力深入挖掘，我觉得一定会做得很好，可能还会创造出许多意想不到的结果。 如果现在你们入门的朋友，选择了目标检测类，
水印作为一种保护版权的有效方式被广泛地应用于海量的互联网图像，针对水印的各种处理显得越来越重要。在之前的两篇文章《AI技术在图像水印处理中的应用》和《生成对抗网络玩转图像水印》中，已经介绍了当前利用深度神经网络来实现水印的检测和去除的一些研究。
下载地址：https://github.com/tzutalin/labelImg
pytorch==1.7.0 时多卡训练会发生问题，需参考此 Issue。命令参考：
向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程 公众号：datayx YOLOV7：You Only Look Once目标检测模型在pytorch当中的实现 所需环境 torch==1.2.0+ 为了使用amp混合精度，推荐使用torch1.7.1以上的版本。 全部 代码 ,预训练模型 获取方式： 关注微信公众号 datayx 然后回复 v7 即可获取。 训练步骤 a、训练VOC07+12数据集 数据集的准备 本文使用VOC格式进行训练，训练前需要下载好VOC07+12的数据集，
向AI转型的程序员都关注了这个号👇👇👇 YOLOV7目标检测模型在keras当中的实现 支持step、cos学习率下降法、支持adam、sgd优化器选择、支持学习率根据batch_size自适应调整、新增图片裁剪、支持多GPU训练、支持各个种类目标数量计算、支持heatmap。 性能情况 训练步骤 全部 代码 获取方式： 关注微信公众号 datayx 然后回复 yolov7 即可获取。 a、训练VOC07+12数据集 数据集的准备 本文使用VOC格式进行训练，训练前需要下载好VOC07+12的数据集
今天是中国传统节日——端午节！在此，祝大家节日快乐！ 关注并星标 从此不迷路 计算机视觉研究院 公众号ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式 计算机视觉研究院专栏 作者：Edison_G 最近总是有很多入门的朋友问我们，进入计算机视觉这个领域难不难？是不是要学习很多知识？到底哪个方向比较好？ 对于这些问题其实我们也不好回答他们，只能衷心告诉他们，如果你对这领域特别感兴趣，那你可以进来试试玩玩，如果试过了玩过了，觉得这不是你喜欢的领域，那你可以立马退出，选择你喜欢的
【手把手AI项目】一、安装win10+linux-Ubuntu16.04的双系统（全网最详细）
这里不再介绍 mmdetection 的安装和配置，使用 mmdetection 较简单的方法是使用已安装 mmdetection 的 docker 容器。这样直接省去了安装 mmdetection 的过程，让重心放在模型训练上！
基于DeepPCB这个公开数据集，总计有1500份的模板-缺陷图像数据对，总计图像3000张，对应text格式的1500个标注文本描述文件。包含PCB主要的六个类别错误，分别是：
【飞桨开发者说】吴瀚，武汉理工大学本科在读，人工智能技术爱好者、飞桨开发者，希望能将AI技术更好地落地实践、服务生活。感兴趣的方向有：计算机视觉、迁移学习、推理部署。
最近一直在研究深度学习框架PyTorch,就想使用pytorch去实现YOLOv3的object detection.在这个过程中也在各大论坛、贴吧、CSDN等中看了前辈们写的文章，在这里由衷的感谢帮助过我的朋友们，真的很感谢！！！！
制作类似pascal voc格式的目标检测数据集：https://www.cnblogs.com/xiximayou/p/12546061.html
CenterNet(Objects as points)已经有一段时间了，之前这篇文章-【目标检测Anchor-Free】CVPR 2019 Object as Points（CenterNet）中讲解了CenterNet的原理，可以回顾一下。
之前写了一篇如何在windows系统上安装Tensorflow Object Detection API？
电动车以其环保节能、小巧便捷、经济实用等特性，市场需求逐年递增，但同时它带来的充电起火、电池爆炸等安全问题也时有发生。大部分小区物业都禁止电瓶车进电梯等违规停放行为，然而实际执行中往往难以监管。人工智能是否能帮助居民减少电瓶车违规停放带来的安全隐患呢？我们尝试用人工智能进行电瓶车检测，来减少人工检测的成本和压力。
如果你希望通过编译源码安装 OneFlow，可以参考 OneFlow源码仓库的 README，在编译 OneFlow 源码之前，强烈推荐先阅读 Troubleshooting。
这是重新构建了的Unet语义分割网络，主要是文件框架上的构建，还有代码的实现，和之前的语义分割网络相比，更加完整也更清晰一些。建议还是学习这个版本的Unet。
看了pascal_voc.py代码,可以把代码的jpg拼接改成png,这样可以不做上一步.
上两章已经详细介绍了SSD目标检测(1)：图片+视频版物体定位（附源码），SSD目标检测(2)：如何制作自己的数据集（详细说明附源码）。由于SSD框架是开源的代码，自然有很多前辈研究后做了改进。我也不过是站在前辈的肩膀上才能完成这篇博客，在这里表示感谢。 这一章就是讲解如何使用自己的数据集，让SSD框架识别。
这篇文章是对前面《目标检测算法之SSD代码解析》，推文地址如下：点这里的补充。主要介绍SSD的数据增强策略，把这篇文章和代码解析的文章放在一起学最好不过啦。本节解析的仍然是上篇SSD代码解析推文的pytorch版本的代码。源码地址见附录。
代码：https://github.com/qqwweee/keras-yolo3
一 本文涉及到的算法 1， LDA主题模型 符号定义 文档集合D，m篇，topic集合T，k个主题 D中每个文档d看作一个单词序列< w1,w2,...,wn >，wi表示第i个单词，设d有n个单词。（LDA里面称之为word bag，实际上每个单词的出现位置对LDA算法无影响） D中涉及的所有不同单词组成一个大集合VOCABULARY（简称VOC） LDA符合的分布 每篇文章d(长度为)都有各自的主题分布，主题分布式多项分布，该多项分布的参数服从Dirichlet分布，该Dirichlet分布的参数
MMDetection 是一个由 OpenMMLab 开发的开源目标检测工具箱，基于 PyTorch 实现。该库提供了丰富的目标检测算法，包括经典的 Faster R-CNN、YOLO 和最新的一些研究成果，非常方便于研究者和工程师进行模型的训练和推理。具有高度模块化和可扩展性的设计，使得用户可以非常灵活地进行个性化配置和二次开发。这一工具箱已经成为目标检测领域的事实标准之一，被广泛应用于学术研究和产业界。
最近秋色甚好，一场大风刮散了雾霾，难得几天的好天气，周末回家在大巴上看着高速两旁夕阳照射下黄澄澄的树叶，晕车好像也好了很多。 特地周六赶回来为了周末去拍点素材，周日天气也好，去了陕师大拍了照片和视频。 说正经的，如何来制作数据集。
PASCAL VOC数据集是目标检测领域比较知名的数据集，该数据集分为VOC2007和VOC2012两个子集，其官方下载地址如下：
需要将filters=18 #3*(class + 4 + 1)这一行改为filters=18，否则会报如下的错误：
Yolo_mark是一个检测任务数据集制作工具，制作完成后的数据格式不是VOC或者COCO的数据格式，从它的名字也可以看出，它是专门为了YOLO系列的网络训练准备数据的，YOLO这一点还是很任性的，它没有使用任何一个已有的深度学习框架来实现他的代码，而是自己写了一个纯C的轻量级框架—darknet，所以它的训练数据准备也不是按照标准开源数据集那样的格式。Yolo_mark就是专门为了准备YOLO准备训练数据的，这里是它的github地址。 该项目支持windows和linux两中系统，依赖Opencv库，2.X或者3.X都可以。如果是windows的话，需要VS2013或VS2015。
【飞桨开发者说】侯继旭，海南师范大学本三自动化专业在读，人工智能开发爱好者，曾获2019中国高校计算机大赛-人工智能创意赛海南省一等奖、2019年度海南省高等学校科学研究“人工智能”优秀成果奖
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM
