彩票走势图网站建设,网站建设服务外包,淘宝导购网站备案,php网站开发系统文件夹和文件的作用 config:文件的配置#xff1a; 1.coco.data:存放coco数据集的相关信息#xff0c;如类别总数#xff0c;数据集的路径等 2.yolov3.cfg: yolov3的网络架构 data#xff1a;存放训练集和测试集 1.coco:存放coco训练集和测试集 labels中存放每个照片的标签…文件夹和文件的作用 config:文件的配置 1.coco.data:存放coco数据集的相关信息如类别总数数据集的路径等 2.yolov3.cfg: yolov3的网络架构 data存放训练集和测试集 1.coco:存放coco训练集和测试集 labels中存放每个照片的标签分别放在一个txt文件中 5k.txt存放验证集的每一个照片的路径 coco.names存放各种分类的名称 trainvalno5k.txt存放训练集和验证集每一个照片的路径 output:预测结果存放路径 utils:工具类存放 1.augmentations.py:图片的反转 2.datasets.py: 导入模块 glob模块用来查找文件目录和文件并将搜索的到的结果返回到一个列表中 torch.nn.functional与torch.nn的区别torch.nn.functional.x 为函数,与torch.nn不同, torch.nn.x中包含了初始化需要的参数等 attributes 而torch.nn.functional.x则需要把相应的weights 作为输入参数传递,才能完成运算, 所以用torch.nn.functional创建模型时需要创建并初始化相应参数. torch.nn.x初始化要在__init__中torch.nn.functional参数初始化在__init()__中而使用的时候在forward(参数)中。torch.nn.functional.conv2d(input, weight, biasNone, stride1, padding0, dilation1, groups1) torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride1, padding0, dilation1, groups1, biasTrue, padding_mode‘zeros’) torch.utils.data中的Dataset和DataLoader, Dataset是对数据进行封装DataLoader是数据加载从Dataset中取一个批次的数据。 transforms主要实现对数据集的预处理、数据增强、转换成tensor等一系列操作 函数 pad_to_square:如果图像不是正方形则将其填充成正方形。hw,就将w填充成与h一样长反之亦然。 resize:将图像变成指定的size random_size:为了使模型适应各种size的输入将图片随机变为一个size但是这个size要是32的倍数因为网络进行五次下采样。 类 ImageFolder: ListDataset:对数据集进行封装继承Dataset __init():找到训练集的所有照片的路径和对应的标签路径初始化其他参数 __getitem():取出index对应的训练集照片将其填充为正方形。取出对应的标签将标签转化为填充后的标签值。将标签和照片随机进行反转。 collate_fn(): len:返回数据集的长度 3.parse_config.py: parse_model_config:path为网络配置的路径如yolov3.cfg。从对应的网络配置中一层层读取网络信息添加到module_defs中。如果是卷积层就不需要归一化 4.utils.py: build_targets():根据预测结果的batch_size,anchor box,classes,gridsize初始化各种参数然后计算所有3*anchor boxes,这里的anchor boxes是所有像素点对应的框。 用真实框与预测框计算iou值并返回这三种框中那个框和真实框最接近以及相应的得分。然后将检测都最高得分的anchor 所在格子的相应参数置为1 真实标签值的xy是除以了整张图片的wh的在01直接而求出来的xy是相对于gridsize的偏移量也是01之间。 weights权重存放路径 detect.py:解析参数配置模型加载权重然后预测出一个bounding box,计算每次预测的时间最后画图并存放结果。 models.py:模型的配置 1.函数 create_modules:nn.Sequential按顺序执行网络块自定义了forward而nn.ModuleList没有需要循环来对每个网络模块forward而且它的网络模块可以不按照顺序执行。 根据module_defs中的每个模块去构建网络结构 2.类 Darknet: forward用于一层一层前向module(x),如果是yolo层还有计算损失函数 YOLOLayer: compute_grid_offsets计算每个格子的坐标在前向传播中用来将bbox对于边界框的位置还原成绝对坐标 forward 将预测结果整理成output与真实标签计算损失函数还有各种指标 train.py:训练模型