目录综述一、什么是YOLO二、YOLOv3 网络1、网络结构2、网络输出解读（前向过程）2.1、输出特征图尺寸2.2、锚框和预测3、训练策略与损失函数（反向过程）三、代码实现3.1、YOLOv3 网络结构3.1.1、DBL代码实现3.1.2、Residual代码实现3.1.3、ResidualBlock代码实现3.1.4、Darknet53代码实现3.1.5、YoloBlock3.1.6、Yolo

tensorrt、pytorch、cuda、cudnn 安装教程

效果图实现思路先将图像进行灰度化再进行二值化处理消除噪声，膨胀使物体变大消除硬币内部噪声，开操作消除部分高亮区域据距离变换的性质，经过简单的运算，即可用于细化字符的轮廓和查找物体质心（中心）轮廓查找代码#include <opencv.hpp>#include <iostream>int main(){//初始化操作cv::Mat src = cv::imread("./1

/*** findContours检测出物体轮廓* image单通道图像矩阵，可以是灰度图，但更常用的是二值图像，一般是经过Canny、拉普拉斯等边缘检测算子处理过的二值图像；* contours定义为“vector<vector<Point>> contours”，是一个向量，并且是一个双重向量，向量内每个元素保存了一组由连续的Point点构成的点的集合的向量，每一组Po

Sobel算子边缘检测//Sobel算子边缘检测void photoSobel(const cv::Mat src, cv::Mat& dst){/*** SobelSobel算子边缘检测器* src原始图* dst目标图* ddepth目标图像的所需深度，包括CV_16S/CV_32F/CV_64F等* ksize滤波器大小，通常可选为(5,5)或(3,3)，或直接使用缺省**/cv::

准确率(accuracy)的陷阱、混淆矩阵(Confusion Matrix)、分类评价指标、PR曲线、ROC曲线、TP、FP、TN、FN、TPR、FPR、精准率(precision)、召回率(recall)、AUC、F1 score

tensorlfow一般编程语言 python，易开发，模块多tensorflow框架训练科学计算库，python的一个包为什么使用框架完成反向传播，自动求导提供基础API接口卷积层、全连接层、池化层等优化器环境cpugpu并行计算，矩阵运算。

Imgaug之增强标记BoundingBoximgaug是一个封装好的用来进行图像augmentation的python库,支持关键点(keypoint)和bounding box一起变换。

机器学习笔记（三）梯度下降法 Gradient-Descent

图像形态学中的几个基本操作：腐蚀、膨胀、开操作、闭操作膨胀该操作包括将图像与某些内核进行卷积，其可以具有任何形状或尺寸，通常为正方形或圆形。内核具有定义的锚点，通常是内核的中心。当内核在图像上扫描时，我们计算由B重叠的最大像素值，并用该最大值替换锚点位置中的图像像素。您可以推断，这种最大化的操作会使图像中的亮区“增长”（因此称为膨胀）。应用扩张我们可以得到： 字母（明亮）扩大了，背景的黑色地区缩小