fantastic_levio
fantastic_levio
@Cumberbatch08 稍微改一下yolo_video的代码，或者可以新建一个yolo_img.py，然后把yolo_video在if __name__ == '__main__'之前的代码copy过去，然后自己写一个调用detect_img函数的脚本就行了。有需要的话留个邮箱，我可以把我改的脚本发给你。
@mayidu 首先Keras加载模型非常慢，单帧处理的速度不应该明显比tensorflow慢，相比基于C++的darknet当然要慢很多。yolo的实时性是有前提的，要看你用什么GPU以及用几块GPU。如果做工程性检测，那肯定需要用工程成本更低的实现，keras实现版本只能做算法试验用，试验通过后再到darkent上铺设。
@chenyangliu2018 这是一个很细微但不太关键的细节。yield一个batch_size长度的全零数组，可以让下层函数知道batch有多长，这样做可能是符合后面函数的接口形状。你猜测的意思大概是说，这个0代表要把loss降低到0，当作优化目标。我不是很同意，用了adam优化器，loss就默认要降低为0，不需要额外说明的。groud_truth就是y_true，没有哪个gt是为loss设置的。这个可以先放着，不会影响你对整个算法的理解的
@Cumberbatch08 yolo.py里面就有detect_video函数啊，你实例化YOLO类，然后调用detect_video就可以了。一个py文件就可以搞定。你自己试试，不行的话再说下，我把脚本发给你邮箱。
@404hasbeenfound yolo.py里面就有detect_video函数啊，你实例化YOLO类，然后调用detect_video就可以了。
@ymsamlx 这块脚本还真没写，训练函数的数据被data_generator_wrapper封装起来了，不太容易分离。如果对batch中每个图片进行Inference再总结准确率，又会导致训练速度很慢。有个建议是，准备一些测试数据，单独写个测试脚本，读取训练过程中保存的参数，以获取实时准确率。
@YYZ-rose 你要什么的脚本
@YYZ-rose 测试不起来？你也是想边训练边看测试结果吗？ 我直接测试final weights的结果。自己准备了一定量的测试集，然后根据iou阈值判断是否准确，最后得出P&R。测试的时候只用把测试集inference一遍，我觉得不太难吧，你的问题在哪里呢
@Ostnie 我没有重新训练VOC。我在做一个工程项目，自己的训练集，检测特定的目标，用自己做的测试集测试。所以对于你的前两个问题，我的回答估计对你没什么帮助。对于测mAP，我是把测试集数据都inference一遍，把每张图预测结果和GT都用数组记录下来保存存成.npy文件。然后分析结果只需要分析这个npy文件就可以了，AP50，AP75，mAP等等，以及可视化结果，都可以通过这个.npy文件得到。不知道对你会不会有帮助。
@Ostnie 我做的项目里不需要mAP这种指标，我只总结了precision和recall rate，不过可以从结果中进一步分析出mAP。我想你可能需要mAP的脚本，这个coco应该提供了API，你可以去官网看看，根据mAP的公式自己写一个也不难。可以参考这个博客https://blog.csdn.net/u014734886/article/details/78831884。 我重新训练了模型，但是用自己的数据集，不过也会用原模型做一个预训练模型，原模型已经可以达到50%+的效果了，这样重训练会省时间一些。这里还算不上迁移哈哈哈