جزوه آموزشی اسکرچ

 شبکه تصویر ورودی را جزوه آموزشی اسکرچ  تا اولین لایه شناسایی پایین می‌آورد، جایی که با استفاده از نقشه‌های ویژگی یک لایه با گام 32، شناسایی انجام می‌شود. علاوه بر این، لایه‌ها با ضریب 2 نمونه‌برداری می‌شوند و با نقشه‌های ویژگی لایه‌های قبلی که نقشه ویژگی‌های یکسانی دارند، الحاق می‌شوند. اندازه ها اکنون تشخیص دیگری در لایه با گام 16 انجام می شود. همان روش نمونه برداری مجدد تکرار می شود و تشخیص نهایی در لایه گام 8 انجام می شود.

در هر مقیاس، هر سلول 3 جعبه محدود کننده را با استفاده از 3 لنگر پیش بینی می کند، که تعداد کل لنگرهای استفاده شده را به 9 می رساند. (لنگرها برای مقیاس های مختلف متفاوت هستند)

نویسندگان گزارش می دهند که این به YOLO v3 کمک می کند تا در تشخیص اشیاء کوچک بهتر شود، شکایت مکرر با نسخه های قبلی YOLO. Upsampling می‌تواند جزوه آموزشی اسکرچ  به شبکه کمک کند تا ویژگی‌های ریزدانه‌ای را که برای تشخیص اجسام کوچک مفید هستند، بیاموزد.

پردازش خروجی

برای یک تصویر با اندازه 416 x 416، YOLO ((52 x 52) + (26 x 26) + 13 x 13)) x 3 = 10647 کادر محدود را پیش بینی می کند. با این حال، در مورد تصویر ما، تنها یک شی وجود دارد، یک سگ. چگونه تشخیص ها را از 10647 به 1 کاهش دهیم؟

آستانه گذاری با جزوه آموزشی اسکرچ اعتماد به شی

ابتدا جعبه ها را بر اساس نمره شیئی آنها فیلتر می کنیم. به طور کلی، جعبه هایی که امتیازات کمتر از یک آستانه دارند نادیده گرفته می شوند.

سرکوب غیر حداکثری

NMS قصد دارد مشکل تشخیص چندگانه یک تصویر را برطرف کند. به عنوان مثال، هر 3 جعبه مرزی سلول شبکه قرمز ممکن است یک جعبه را تشخیص دهند یا سلول های مجاور ممکن است همان شی را تشخیص دهند

اگر در مورد NMS نمی‌دانید، من پیوندی به یک ایرانیان سایبر وب‌سایت ارائه کرده‌ام که همان را توضیح می‌دهد.

پیاده سازی ما

YOLO فقط می تواند اشیاء جزوه آموزشی اسکرچ متعلق به کلاس های موجود در مجموعه داده مورد استفاده برای آموزش شبکه را شناسایی کند. ما از فایل وزن رسمی برای آشکارساز خود استفاده خواهیم کرد. این وزن ها با آموزش شبکه بر روی مجموعه داده COCO به دست آمده اند و بنابراین ما می توانیم 80 دسته شی را شناسایی کنیم.

برای قسمت اول همین است. این پست به اندازه کافی در مورد الگوریتم YOLO توضیح می دهد تا شما را قادر به پیاده سازی آشکارساز کند. با این حال، اگر می‌خواهید عمیقاً در مورد نحوه عملکرد YOLO، نحوه آموزش و عملکرد آن در مقایسه با سایر آشکارسازها تحقیق کنید، می‌توانید مقالات اصلی را که لینک‌های آن را در زیر ارائه کرده‌ام بخوانید.

برای این قسمت همین است. در قسمت بعدی لایه های مختلف مورد نیاز برای کنار هم قرار دادن آشکارساز را پیاده سازی می کنیم.

بیشتر خواندن YOLO V1: شما فقط یک بار نگاه می کنید: یکپارچه، تشخیص شی در زمان واقعی YOLO V2: YOLO9000: بهتر، سریعتر، قوی جزوه آموزشی اسکرچ ترYOLO V3: یک پیشرفت افزایشیشبکه های عصبی کانولوشنال  رگرسیون جعبه مرزی (پیوست C)

آموزش رسمی PyTorch

آیوش کاتوریا در حال حاضر یک کارآموز در سازمان تحقیقات و توسعه دفاعی هند است و در آنجا در حال کار بر روی بهبود تشخیص اشیا در ویدئوهای دانه دانه است. وقتی کار نمی کند، یا خواب است یا با گیتارش پینک فلوید می نوازد. می توانید با او در لینکدین ارتباط برقرار کنید یا کارهای بیشتری را که در GitHub انجام می دهد را مشاهده کنیدScratch coding: یک آموزش کوتاه برنامه نویسی Scratchزبان های برنامه نویسی برای برنامه های کاربردی وب وجزوه آموزشی اسکرچ دسکتاپ به سختی یادگیری شهرت دارند. هر کسی که تا حدودی شدیدتر با این موضوع دست و پنجه نرم کند، به سرعت متوجه خواهد شد که حقیقت زیادی در این مورد وجود دارد – زیرا اکثر مردم از زبا