Tensorflow YOLO pictures能否有一个覆盖整个图片的有界框？

我想知道为什么YOLO pictures需要一个边框。 假设我们使用的是

Darknet

。每个图像都需要有一个与图像文件同名的

.txt

文件。在

.txt

文件中，它需要保存。对于所有使用

有界框

进行标记的YOLO框架来说，这是相同的

<object-class> <x> <y> <width> <height>

其中

.txt

文件如下所示

0 0.7055288461538461 0.6538461538461539 0.11658653846153846 0.4110576923076923 
1 0.5913461538461539 0.3545673076923077 0.17307692307692307 0.6538461538461539 

每个图像的大小均为416x416。此图像如下所示：

<object-class> 0 0 1 1

我的想法是每个图像都应该有一个

类。只有一个
类。图像应该用这样的相机拍摄


此相机快照应被视为：

拍照
将相机卡扣剪成所需尺寸
将其放大到方形
416x416
像这样：


然后对应于每个图像的每个
.txt
文件应如下所示：

<object-class> 0 0 1 1

001

问题

例如，
Darknet
或其他使用
有界框
标记类的框架是否可能这样做

与其让
软件
例如
Darknet
将每个类对象的边界框放大到
416x416
，我应该这样做，并将
.txt
文件更改为
x=0，y=0，width=1，height=1
，对于每个只有
一个
类对象的图像

我可以用这种方式创建一个
培训集并进行培训吗？
免责声明我必须说我不是这方面的专家，我是一个项目的一部分，我们正在使用darknet，所以我有一些时间进行试验

所以，如果我理解正确的话，你想用裁剪过的单类图像和全图像大小的边界框进行训练

这是可能做到的，我正在使用类似的东西，但它很可能不是你想要的

让我来告诉你这个方法产生的问题和意外行为

当您使用具有完整图像大小边界框的图像进行训练时，yolo无法进行适当的检测，因为在训练时，它还可以学习数据集的背景和空白。更具体地说，训练数据集上的对象必须与实际使用情况处于相同的上下文中。如果你在丛林里用狗的图像训练它，它就不能很好地预测家里的狗

如果你只打算在分类时使用它，你仍然可以像这样训练它，它仍然可以很好地分类，但是你要预测的图像也应该像你的训练数据集一样，因此，通过查看你的示例，如果你训练像这张裁剪过的狗图片这样的图像，你的模型将无法在第一张图像上对狗进行分类

举个更好的例子，在我的案例中，不需要检测。我正在研究食物图像，我只预测盘子里的食物，所以我用全图像大小的烤箱训练，因为每种食物都有一个等级。它完美地将食物分类，但bboxes总是被预测为完整图像

因此，我对理论部分的理解是，如果你只给网络提供完整的图像BBox，它会发现使盒子尽可能大会导致更低的错误率，所以它会以这种方式进行优化，这有点浪费了算法的一半，但对我来说是可行的

此外，您的图像不需要是416x416，它可以调整大小到您给定的大小，您也可以从cfg文件更改它

我有一个代码，如果您想快速尝试，可以为目录中的所有图像制作全尺寸的BBox（它覆盖了现有的注释，所以要小心）

最后，框应该是这样的，以便它们以全尺寸居中，x和y是bbox的中心，它应该是图像的中心/一半

<object-class> 0.5 0.5 1 1

我现在改变了主意。我不会缩放图片。用一个有界的长方体使它正常。顺便说一句Darknet Tiny需要416x416大小的图片进行训练。我正在开发一个可以自动收集训练数据的软件。哦，我不知道tiny yolo需要调整大小。是的。约洛需要正方形的尺寸。顺便说一下！你能试试这个吗？1.下载该项目。使用命令
mvnjavafx:run
启动项目。你需要站在文件夹内
mvn
是Maven命令<如果您使用的是基于
.deb
的inux系统，那么code>sudo apt get install maven
。我试过了，但我没有usb摄像头，所以我只能说ui工作正常
from imagepreprocessing.darknet_functions import create_training_data_yolo, auto_annotation_by_random_points
import os

main_dir = "datasets/my_dataset"

# auto annotating all images by their center points (x,y,w,h)
folders = sorted(os.listdir(main_dir))
for index, folder in enumerate(folders):
    auto_annotation_by_random_points(os.path.join(main_dir, folder), index, annotation_points=((0.5,0.5), (0.5,0.5), (1.0,1.0), (1.0,1.0)))

# creating required files
create_training_data_yolo(main_dir)
```