文件名称：Wheat_det
文件大小：4.76MB
文件格式：ZIP
更新时间：2024-03-12 21:00:24
JupyterNotebook
基于YOLOv3的小麦头检测 目前，此仓库将汇总并实现电流损耗函数，并提出了用于对象检测的非最大抑制方法（与另一个仓库obj-det-loss类似，但另一个仓库未取得良好的结果），因此我在此工作首先回购。 我们的目标是分析不同的技巧。 修改代码以使其更具可读性和简洁性 Loss_Funcs bbox损失 基于锚的损失 基于YOLOv3 回归损失＃测试 借条损失 GIOU Loss $ [1]}＃由IOU引起的梯度消失的交易对于非重叠而言为零 与GIOU相结合的回归 失去信心 二元交叉熵很难找到正负号TT [x]骰子损失[2] 希望能帮助解决班级失衡 不如预期的好 非最大抑制 硬网管 软网管[3] 结果 在验证集上 YOLO-SPP YOLO损失，mAP：0.63 参考： [1]：“关于工会的广义相交：度量框回归的度量和损失”： ：//giou.st
【文件预览】：
wheat_det-master
----trainer.py(13KB)
----.gitignore(55B)
----requirements.txt(101B)
----data()
--------convert.py(2KB)
--------test.json(164KB)
--------stat.py(6KB)
--------val.json(840KB)
--------annotation.json(4.16MB)
--------trainval.json(240KB)
--------train.json(3.34MB)
----colab-warmup.py(1005B)
----models()
--------loss_funcs.py(12KB)
--------network.py(9KB)
--------utils.py(5KB)
--------backbone.py(11KB)
--------yolov3.cfg(8KB)
--------mynets.py(5KB)
--------yolov3-spp.cfg(8KB)
----LICENSE(1KB)
----utils.py(12KB)
----network.out(22KB)
----dataProcessing.py(11KB)
----config.py(3KB)
----stats.py(8KB)
----test.py(2KB)
----visualization.ipynb(3.34MB)
----readme.md(1KB)
----evaluate.py(2KB)
----logs()
--------events.out.tfevents.1595481263.CVX2K.12600.21.v2(101B)
--------events.out.tfevents.1595481109.CVX2K.12600.5.v2(99B)
----train.py(3KB)