Keras 了解YOLO是如何训练的
我试图了解尤罗(v2)是如何训练的。为此,我使用这个keras实现在VOC数据集上从头开始训练YOLO(我对其他实现持开放态度,但我从未使用过pytorch,所以keras实现将是首选) 1-据我所知,YLO首先在imageNet上进行分类训练,然后在训练YLO进行回归(检测边界框)时,应在某处使用这些训练权重(用于分类)。在我在互联网上找到的大多数从头开始训练yolo(用于回归)的代码中,我看不到加载这些分类权重的部分。这是什么时候发生的?分类权重何时用于训练yolo回归 2-我的理解是否如1)所述正确Keras 了解YOLO是如何训练的,keras,deep-learning,yolo,Keras,Deep Learning,Yolo,我试图了解尤罗(v2)是如何训练的。为此,我使用这个keras实现在VOC数据集上从头开始训练YOLO(我对其他实现持开放态度,但我从未使用过pytorch,所以keras实现将是首选) 1-据我所知,YLO首先在imageNet上进行分类训练,然后在训练YLO进行回归(检测边界框)时,应在某处使用这些训练权重(用于分类)。在我在互联网上找到的大多数从头开始训练yolo(用于回归)的代码中,我看不到加载这些分类权重的部分。这是什么时候发生的?分类权重何时用于训练yolo回归 2-我的理解是否如1
提前感谢我将首先回答您问题的第二部分 在标记图像的对象检测中,将生成一个标签文件,其中包含边界框坐标和对象/对象的分类/类别 在experiencecor代码中,加载的预训练权重不是分类权重,但它们具有坐标以及转换为权重的每个图像中对象的类名。 获得它们或使用标签文件从头开始训练模型后,将使用图像和包含图像中对象的边界框坐标和类名的相应标签文件对模型进行训练 所以这里分类和回归训练一起进行
如果您有疑问,请随时发表评论,如果回答了您的问题,请打勾。我将首先回答您问题的第二部分 在标记图像的对象检测中,将生成一个标签文件,其中包含边界框坐标和对象/对象的分类/类别 在experiencecor代码中,加载的预训练权重不是分类权重,但它们具有坐标以及转换为权重的每个图像中对象的类名。 获得它们或使用标签文件从头开始训练模型后,将使用图像和包含图像中对象的边界框坐标和类名的相应标签文件对模型进行训练 所以这里分类和回归训练一起进行 如果您有疑问,请随时发表评论,如果回答了您的问题,请打勾。您有两种选择:
- 对整个检测器使用预先训练的权重(后端+前端,即分类网络+检测器)
- 仅对后端使用预先训练的权重
numberOfClasses+4
,其中numberOfClasses
包括背景类,其中数字4表示边界框的四个坐标。这个例子简化了很多,我建议你阅读Yolo的论文,以便更好地理解网络结构
在探测器网络中似乎只有一个可训练层(2D Conv)。请注意受数字o约束的输出大小