文件名称：边界框第二分类器：用于对象检测分类任务的自训练
文件大小：52.13MB
文件格式：ZIP
更新时间：2024-03-22 18:01:32
JupyterNotebook
边界框第二分类器 关于这个仓库 该存储库用作对象检测或分类的半监督训练流水线的一部分。 假设除了一个小的标记数据集之外，您还有大量的未标记数据集，此存储库将帮助您通过自我训练来使用该大的未标记数据集。 您可以将其视为EM算法。 *注意：假设您已决定使用半监督训练进行物体检测，并且您有一个训练有素的模型可以预测边界框上的不正确标签。 然后，该存储库将帮助您更正每个绑定框的标签，这意味着这也是您的工具！* w 关于此存储库的半监督学习和使用的简短描述 假设您有一个标记的数据集A和一个未标记的数据集B。 我们首先在A上训练对象检测模型（例如YOLOv3）。 训练后，我们对未标记的数据集B进行预测，然后保存预测（每个图像的边界框和标签）。 现在，这是该存储库的来源！ 从图像中我们裁剪出从预测中收到的所有边界框，并使用在单独环境中训练的辅助分类器模型对它们进行分类，重点是对标签/类预测进行校
【文件预览】：
Bounding-Box-Secondary-Classifier-master
----example()
--------correcting_stop_signs.txt(3KB)
----config()
--------ignore_these_labels.txt(93B)
----02_train_secondary_classifier.py(13KB)
----03_predict.py(4KB)
----graphical_interface.py(2KB)
----ignore_these_labels_gui.txt(92B)
----06_bbox2darknet.py(4KB)
----01_crop_bounding_boxes.py(11KB)
----.gitignore(231B)
----04_create_secondary_dataset.py(2KB)
----README.md(2KB)
----utils()
--------models.py(947B)
--------__pycache__()
--------frames.py(9KB)
--------data.py(3KB)
----notebooks()
--------Untitled.ipynb(72B)
--------03_predict_unlabelled_dataset.ipynb(4KB)
--------00_playground.ipynb(42KB)
--------05_concatenate_into_one_json.ipynb(3KB)
--------06_post_viz_and_CREATE_DARKNET_DATASET.ipynb(34.11MB)
--------04_assign_self_training_labels.ipynb(2KB)
--------02_secondary_sign_classifier.ipynb(81KB)
--------.ipynb_checkpoints()
--------01_dataset_conversion_and_crop_images.ipynb(5KB)
--------07_correct_autocorrect_one_label.ipynb(1018KB)
----05_assign_prediction_to_annotations.py(2KB)