這篇文章將為大家詳細(xì)講解有關(guān)“yolo3的預(yù)測(cè)思路和具體實(shí)現(xiàn)是什么”的知識(shí)，下文有詳細(xì)的介紹，小編覺得挺實(shí)用的，對(duì)大家學(xué)習(xí)或工作或許有幫助，因此分享給大家做個(gè)參考，希望大家閱讀完這篇文章后可以有所收獲。

學(xué)習(xí)前言

對(duì)yolo2解析完了之后當(dāng)然要講講yolo3，yolo3與yolo2的差別主要在網(wǎng)絡(luò)的特征提取部分，實(shí)際的解碼部分其實(shí)差距不大

代碼下載

本次教程主要基于github中的項(xiàng)目點(diǎn)擊直接下載，該項(xiàng)目相比于yolo3-Keras的項(xiàng)目更容易看懂一些，不過它的許多代碼與yolo3-Keras相同。

我保留了預(yù)測(cè)部分的代碼，在實(shí)際可以通過執(zhí)行detect.py運(yùn)行示例。

鏈接: https://pan.baidu.com/s/1_xLeytnjBBSL2h2Kj4-YEw

取碼:i3hi

實(shí)現(xiàn)思路

1、yolo3的預(yù)測(cè)思路（網(wǎng)絡(luò)構(gòu)建思路）

YOLOv3相比于之前的yolo1和yolo2，改進(jìn)較大，主要改進(jìn)方向有：

1、使用了殘差網(wǎng)絡(luò)Residual，殘差卷積就是進(jìn)行一次3X3、步長(zhǎng)為2的卷積，然后保存該卷積layer，再進(jìn)行一次1X1的卷積和一次3X3的卷積，并把這個(gè)結(jié)果加上layer作為最后的結(jié)果， 殘差網(wǎng)絡(luò)的特點(diǎn)是容易優(yōu)化，并且能夠通過增加相當(dāng)?shù)纳疃葋硖岣邷?zhǔn)確率。其內(nèi)部的殘差塊使用了跳躍連接，緩解了在深度神經(jīng)網(wǎng)絡(luò)中增加深度帶來的梯度消失問題。

2、提取多特征層進(jìn)行目標(biāo)檢測(cè)，一共提取三個(gè)特征層，特征層的shape分別為(13,13,75)，(26,26,75)，(52,52,75)，最后一個(gè)維度為75是因?yàn)樵搱D是基于voc數(shù)據(jù)集的，它的類為20種，yolo3只有針對(duì)每一個(gè)特征層存在3個(gè)先驗(yàn)框，所以最后維度為3x25；

如果使用的是coco訓(xùn)練集，類則為80種，最后的維度應(yīng)該為255 = 3x85，三個(gè)特征層的shape為(13,13,255)，(26,26,255)，(52,52,255)

3、其采用反卷積UmSampling2d設(shè)計(jì)，逆卷積相對(duì)于卷積在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的正向和反向傳播中做相反的運(yùn)算，其可以更多更好的提取出特征。

其實(shí)際情況就是，輸入N張416x416的圖片，在經(jīng)過多層的運(yùn)算后，會(huì)輸出三個(gè)shape分別為(N,13,13,255)，(N,26,26,255)，(N,52,52,255)的數(shù)據(jù)，對(duì)應(yīng)每個(gè)圖分為13x13、26x26、52x52的網(wǎng)格上3個(gè)先驗(yàn)框的位置。

實(shí)現(xiàn)代碼如下，其在實(shí)際調(diào)用時(shí)，會(huì)調(diào)用其中的yolo_inference函數(shù)，此時(shí)獲得三個(gè)特征層的內(nèi)容。

def _darknet53(self, inputs, conv_index, training = True, norm_decay = 0.99, norm_epsilon = 1e-3):
    """
    Introduction
    ------------
        構(gòu)建yolo3使用的darknet53網(wǎng)絡(luò)結(jié)構(gòu)
    Parameters
    ----------
        inputs: 模型輸入變量
        conv_index: 卷積層數(shù)序號(hào)，方便根據(jù)名字加載預(yù)訓(xùn)練權(quán)重
        weights_dict: 預(yù)訓(xùn)練權(quán)重
        training: 是否為訓(xùn)練
        norm_decay: 在預(yù)測(cè)時(shí)計(jì)算moving average時(shí)的衰減率
        norm_epsilon: 方差加上極小的數(shù)，防止除以0的情況
    Returns
    -------
        conv: 經(jīng)過52層卷積計(jì)算之后的結(jié)果, 輸入圖片為416x416x3，則此時(shí)輸出的結(jié)果shape為13x13x1024
        route1: 返回第26層卷積計(jì)算結(jié)果52x52x256, 供后續(xù)使用
        route2: 返回第43層卷積計(jì)算結(jié)果26x26x512, 供后續(xù)使用
        conv_index: 卷積層計(jì)數(shù)，方便在加載預(yù)訓(xùn)練模型時(shí)使用
    """
    with tf.variable_scope('darknet53'):
        # 416,416,3 -> 416,416,32
        conv = self._conv2d_layer(inputs, filters_num = 32, kernel_size = 3, strides = 1, name = "conv2d_" + str(conv_index))
        conv = self._batch_normalization_layer(conv, name = "batch_normalization_" + str(conv_index), training = training, norm_decay = norm_decay, norm_epsilon = norm_epsilon)
        conv_index += 1
        # 416,416,32 -> 208,208,64
        conv, conv_index = self._Residual_block(conv, conv_index = conv_index, filters_num = 64, blocks_num = 1, training = training, norm_decay = norm_decay, norm_epsilon = norm_epsilon)
        # 208,208,64 -> 104,104,128
        conv, conv_index = self._Residual_block(conv, conv_index = conv_index, filters_num = 128, blocks_num = 2, training = training, norm_decay = norm_decay, norm_epsilon = norm_epsilon)
        # 104,104,128 -> 52,52,256
        conv, conv_index = self._Residual_block(conv, conv_index = conv_index, filters_num = 256, blocks_num = 8, training = training, norm_decay = norm_decay, norm_epsilon = norm_epsilon)
        # route1 = 52,52,256
        route1 = conv
        # 52,52,256 -> 26,26,512
        conv, conv_index = self._Residual_block(conv, conv_index = conv_index, filters_num = 512, blocks_num = 8, training = training, norm_decay = norm_decay, norm_epsilon = norm_epsilon)
        # route2 = 26,26,512
        route2 = conv
        # 26,26,512 -> 13,13,1024
        conv, conv_index = self._Residual_block(conv, conv_index = conv_index,  filters_num = 1024, blocks_num = 4, training = training, norm_decay = norm_decay, norm_epsilon = norm_epsilon)
        # route3 = 13,13,1024
    return  route1, route2, conv, conv_index
# 輸出兩個(gè)網(wǎng)絡(luò)結(jié)果
# 第一個(gè)是進(jìn)行5次卷積后，用于下一次逆卷積的，卷積過程是1X1，3X3，1X1，3X3，1X1
# 第二個(gè)是進(jìn)行5+2次卷積，作為一個(gè)特征層的，卷積過程是1X1，3X3，1X1，3X3，1X1，3X3，1X1
def _yolo_block(self, inputs, filters_num, out_filters, conv_index, training = True, norm_decay = 0.99, norm_epsilon = 1e-3):
    """
    Introduction
    ------------
        yolo3在Darknet53提取的特征層基礎(chǔ)上，又加了針對(duì)3種不同比例的feature map的block，這樣來提高對(duì)小物體的檢測(cè)率
    Parameters
    ----------
        inputs: 輸入特征
        filters_num: 卷積核數(shù)量
        out_filters: 最后輸出層的卷積核數(shù)量
        conv_index: 卷積層數(shù)序號(hào)，方便根據(jù)名字加載預(yù)訓(xùn)練權(quán)重
        training: 是否為訓(xùn)練
        norm_decay: 在預(yù)測(cè)時(shí)計(jì)算moving average時(shí)的衰減率
        norm_epsilon: 方差加上極小的數(shù)，防止除以0的情況
    Returns
    -------
        route: 返回最后一層卷積的前一層結(jié)果
        conv: 返回最后一層卷積的結(jié)果
        conv_index: conv層計(jì)數(shù)
    """
    conv = self._conv2d_layer(inputs, filters_num = filters_num, kernel_size = 1, strides = 1, name = "conv2d_" + str(conv_index))
    conv = self._batch_normalization_layer(conv, name = "batch_normalization_" + str(conv_index), training = training, norm_decay = norm_decay, norm_epsilon = norm_epsilon)
    conv_index += 1
    conv = self._conv2d_layer(conv, filters_num = filters_num * 2, kernel_size = 3, strides = 1, name = "conv2d_" + str(conv_index))
    conv = self._batch_normalization_layer(conv, name = "batch_normalization_" + str(conv_index), training = training, norm_decay = norm_decay, norm_epsilon = norm_epsilon)
    conv_index += 1
    conv = self._conv2d_layer(conv, filters_num = filters_num, kernel_size = 1, strides = 1, name = "conv2d_" + str(conv_index))
    conv = self._batch_normalization_layer(conv, name = "batch_normalization_" + str(conv_index), training = training, norm_decay = norm_decay, norm_epsilon = norm_epsilon)
    conv_index += 1
    conv = self._conv2d_layer(conv, filters_num = filters_num * 2, kernel_size = 3, strides = 1, name = "conv2d_" + str(conv_index))
    conv = self._batch_normalization_layer(conv, name = "batch_normalization_" + str(conv_index), training = training, norm_decay = norm_decay, norm_epsilon = norm_epsilon)
    conv_index += 1
    conv = self._conv2d_layer(conv, filters_num = filters_num, kernel_size = 1, strides = 1, name = "conv2d_" + str(conv_index))
    conv = self._batch_normalization_layer(conv, name = "batch_normalization_" + str(conv_index), training = training, norm_decay = norm_decay, norm_epsilon = norm_epsilon)
    conv_index += 1
    route = conv
    conv = self._conv2d_layer(conv, filters_num = filters_num * 2, kernel_size = 3, strides = 1, name = "conv2d_" + str(conv_index))
    conv = self._batch_normalization_layer(conv, name = "batch_normalization_" + str(conv_index), training = training, norm_decay = norm_decay, norm_epsilon = norm_epsilon)
    conv_index += 1
    conv = self._conv2d_layer(conv, filters_num = out_filters, kernel_size = 1, strides = 1, name = "conv2d_" + str(conv_index), use_bias = True)
    conv_index += 1
    return route, conv, conv_index
# 返回三個(gè)特征層的內(nèi)容
def yolo_inference(self, inputs, num_anchors, num_classes, training = True):
    """
    Introduction
    ------------
        構(gòu)建yolo模型結(jié)構(gòu)
    Parameters
    ----------
        inputs: 模型的輸入變量
        num_anchors: 每個(gè)grid cell負(fù)責(zé)檢測(cè)的anchor數(shù)量
        num_classes: 類別數(shù)量
        training: 是否為訓(xùn)練模式
    """
    conv_index = 1
    # route1 = 52,52,256、route2 = 26,26,512、route3 = 13,13,1024
    conv2d_26, conv2d_43, conv, conv_index = self._darknet53(inputs, conv_index, training = training, norm_decay = self.norm_decay, norm_epsilon = self.norm_epsilon)
    with tf.variable_scope('yolo'):
        #--------------------------------------#
        #   獲得第一個(gè)特征層
        #--------------------------------------#
        # conv2d_57 = 13,13,512，conv2d_59 = 13,13,255(3x(80+5))
        conv2d_57, conv2d_59, conv_index = self._yolo_block(conv, 512, num_anchors * (num_classes + 5), conv_index = conv_index, training = training, norm_decay = self.norm_decay, norm_epsilon = self.norm_epsilon)
        #--------------------------------------#
        #   獲得第二個(gè)特征層
        #--------------------------------------#
        conv2d_60 = self._conv2d_layer(conv2d_57, filters_num = 256, kernel_size = 1, strides = 1, name = "conv2d_" + str(conv_index))
        conv2d_60 = self._batch_normalization_layer(conv2d_60, name = "batch_normalization_" + str(conv_index),training = training, norm_decay = self.norm_decay, norm_epsilon = self.norm_epsilon)
        conv_index += 1
        # unSample_0 = 26,26,256
        unSample_0 = tf.image.resize_nearest_neighbor(conv2d_60, [2 * tf.shape(conv2d_60)[1], 2 * tf.shape(conv2d_60)[1]], name='upSample_0')
        # route0 = 26,26,768
        route0 = tf.concat([unSample_0, conv2d_43], axis = -1, name = 'route_0')
        # conv2d_65 = 52,52,256，conv2d_67 = 26,26,255
        conv2d_65, conv2d_67, conv_index = self._yolo_block(route0, 256, num_anchors * (num_classes + 5), conv_index = conv_index, training = training, norm_decay = self.norm_decay, norm_epsilon = self.norm_epsilon)
        #--------------------------------------#
        #   獲得第三個(gè)特征層
        #--------------------------------------# 
        conv2d_68 = self._conv2d_layer(conv2d_65, filters_num = 128, kernel_size = 1, strides = 1, name = "conv2d_" + str(conv_index))
        conv2d_68 = self._batch_normalization_layer(conv2d_68, name = "batch_normalization_" + str(conv_index), training=training, norm_decay=self.norm_decay, norm_epsilon = self.norm_epsilon)
        conv_index += 1
        # unSample_1 = 52,52,128
        unSample_1 = tf.image.resize_nearest_neighbor(conv2d_68, [2 * tf.shape(conv2d_68)[1], 2 * tf.shape(conv2d_68)[1]], name='upSample_1')
        # route1= 52,52,384
        route1 = tf.concat([unSample_1, conv2d_26], axis = -1, name = 'route_1')
        # conv2d_75 = 52,52,255
        _, conv2d_75, _ = self._yolo_block(route1, 128, num_anchors * (num_classes + 5), conv_index = conv_index, training = training, norm_decay = self.norm_decay, norm_epsilon = self.norm_epsilon)
    return [conv2d_59, conv2d_67, conv2d_75]

2、利用先驗(yàn)框?qū)W(wǎng)絡(luò)的輸出進(jìn)行解碼

yolo3的先驗(yàn)框生成與yolo2的類似，如果不明白先驗(yàn)框是如何生成的，可以看我的上一篇博文

python目標(biāo)檢測(cè)yolo2詳解及其預(yù)測(cè)代碼復(fù)現(xiàn)

其實(shí)yolo3的解碼與yolo2的解碼過程一樣，只是對(duì)于yolo3而言，其需要對(duì)三個(gè)特征層進(jìn)行解碼，三個(gè)特征層的shape分別為(N,13,13,255)，(N,26,26,255)，(N,52,52,255)的數(shù)據(jù)，對(duì)應(yīng)每個(gè)圖分為13x13、26x26、52x52的網(wǎng)格上3個(gè)先驗(yàn)框的位置。

此處需要用到一個(gè)循環(huán)。

1、將第一個(gè)特征層reshape成[-1, 13, 13, 3, 80 + 5]，代表169個(gè)中心點(diǎn)每個(gè)中心點(diǎn)的3個(gè)先驗(yàn)框的情況。

2、將80+5的5中的xywh分離出來，0、1是xy相對(duì)中心點(diǎn)的偏移量；2、3是寬和高的情況；4是置信度。

3、建立13x13的網(wǎng)格，代表圖片進(jìn)行13x13處理后網(wǎng)格的中心點(diǎn)。

4、利用計(jì)算公式計(jì)算實(shí)際的bbox的位置 。

5、置信度乘上80+5中的80（這里的80指的是類別概率）得到得分。

6、將第二個(gè)特征層reshape成[-1, 26, 26, 3, 80 + 5]，重復(fù)2到5步。將第三個(gè)特征層reshape成[-1, 52, 52, 3, 80 + 5]，重復(fù)2到5步。

單個(gè)特征層的解碼部分代碼如下：

# 獲得單個(gè)特征層框的位置和得分
def boxes_and_scores(self, feats, anchors, classes_num, input_shape, image_shape):
    """
    Introduction
    ------------
        將預(yù)測(cè)出的box坐標(biāo)轉(zhuǎn)換為對(duì)應(yīng)原圖的坐標(biāo)，然后計(jì)算每個(gè)box的分?jǐn)?shù)
    Parameters
    ----------
        feats: yolo輸出的feature map
        anchors: anchor的位置
        class_num: 類別數(shù)目
        input_shape: 輸入大小
        image_shape: 圖片大小
    Returns
    -------
        boxes: 物體框的位置
        boxes_scores: 物體框的分?jǐn)?shù)，為置信度和類別概率的乘積
    """
    # 獲得特征
    box_xy, box_wh, box_confidence, box_class_probs = self._get_feats(feats, anchors, classes_num, input_shape)
    # 尋找在原圖上的位置
    boxes = self.correct_boxes(box_xy, box_wh, input_shape, image_shape)
    boxes = tf.reshape(boxes, [-1, 4])
    # 獲得置信度box_confidence * box_class_probs
    box_scores = box_confidence * box_class_probs
    box_scores = tf.reshape(box_scores, [-1, classes_num])
    return boxes, box_scores
# 單個(gè)特征層的解碼過程
def _get_feats(self, feats, anchors, num_classes, input_shape):
    """
    Introduction
    ------------
        根據(jù)yolo最后一層的輸出確定bounding box
    Parameters
    ----------
        feats: yolo模型最后一層輸出
        anchors: anchors的位置
        num_classes: 類別數(shù)量
        input_shape: 輸入大小
    Returns
    -------
        box_xy, box_wh, box_confidence, box_class_probs
    """
    num_anchors = len(anchors)
    anchors_tensor = tf.reshape(tf.constant(anchors, dtype=tf.float32), [1, 1, 1, num_anchors, 2])
    grid_size = tf.shape(feats)[1:3]
    predictions = tf.reshape(feats, [-1, grid_size[0], grid_size[1], num_anchors, num_classes + 5])
    # 這里構(gòu)建13*13*1*2的矩陣，對(duì)應(yīng)每個(gè)格子加上對(duì)應(yīng)的坐標(biāo)
    grid_y = tf.tile(tf.reshape(tf.range(grid_size[0]), [-1, 1, 1, 1]), [1, grid_size[1], 1, 1])
    grid_x = tf.tile(tf.reshape(tf.range(grid_size[1]), [1, -1, 1, 1]), [grid_size[0], 1, 1, 1])
    grid = tf.concat([grid_x, grid_y], axis = -1)
    grid = tf.cast(grid, tf.float32)
    # 將x,y坐標(biāo)歸一化，相對(duì)網(wǎng)格的位置
    box_xy = (tf.sigmoid(predictions[..., :2]) + grid) / tf.cast(grid_size[::-1], tf.float32)
    # 將w,h也歸一化
    box_wh = tf.exp(predictions[..., 2:4]) * anchors_tensor / tf.cast(input_shape[::-1], tf.float32)
    box_confidence = tf.sigmoid(predictions[..., 4:5])
    box_class_probs = tf.sigmoid(predictions[..., 5:])
    return box_xy, box_wh, box_confidence, box_class_probs

該函數(shù)被其它函數(shù)調(diào)用，用于完成三個(gè)特征層的解碼：

def eval(self, yolo_outputs, image_shape, max_boxes = 20):
    """
    Introduction
    ------------
        根據(jù)Yolo模型的輸出進(jìn)行非極大值抑制，獲取最后的物體檢測(cè)框和物體檢測(cè)類別
    Parameters
    ----------
        yolo_outputs: yolo模型輸出
        image_shape: 圖片的大小
        max_boxes:  最大box數(shù)量
    Returns
    -------
        boxes_: 物體框的位置
        scores_: 物體類別的概率
        classes_: 物體類別
    """
    # 每一個(gè)特征層對(duì)應(yīng)三個(gè)先驗(yàn)框
    anchor_mask = [[6, 7, 8], [3, 4, 5], [0, 1, 2]]
    boxes = []
    box_scores = []
    # inputshape是416x416
    # image_shape是實(shí)際圖片的大小
    input_shape = tf.shape(yolo_outputs[0])[1 : 3] * 32
    # 對(duì)三個(gè)特征層的輸出獲取每個(gè)預(yù)測(cè)box坐標(biāo)和box的分?jǐn)?shù)，score = 置信度x類別概率
    #---------------------------------------#
    #   對(duì)三個(gè)特征層解碼
    #   獲得分?jǐn)?shù)和框的位置
    #---------------------------------------#
    for i in range(len(yolo_outputs)):
        _boxes, _box_scores = self.boxes_and_scores(yolo_outputs[i], self.anchors[anchor_mask[i]], len(self.class_names), input_shape, image_shape)
        boxes.append(_boxes)
        box_scores.append(_box_scores)
    # 放在一行里面便于操作
    boxes = tf.concat(boxes, axis = 0)
    box_scores = tf.concat(box_scores, axis = 0)

3、進(jìn)行得分排序與非極大抑制篩選

這一部分基本上是所有目標(biāo)檢測(cè)通用的部分。不過該項(xiàng)目的處理方式與其它項(xiàng)目不同。其對(duì)于每一個(gè)類進(jìn)行判別。

1、取出每一類得分大于self.obj_threshold的框和得分。

2、利用框的位置和得分進(jìn)行非極大抑制。

實(shí)現(xiàn)代碼如下：

    #---------------------------------------#
    #   1、取出每一類得分大于self.obj_threshold
    #   的框和得分
    #   2、對(duì)得分進(jìn)行非極大抑制
    #---------------------------------------#
    # 對(duì)每一個(gè)類進(jìn)行判斷
    for c in range(len(self.class_names)):
        # 取出所有類為c的box
        class_boxes = tf.boolean_mask(boxes, mask[:, c])
        # 取出所有類為c的分?jǐn)?shù)
        class_box_scores = tf.boolean_mask(box_scores[:, c], mask[:, c])
        # 非極大抑制
        nms_index = tf.image.non_max_suppression(class_boxes, class_box_scores, max_boxes_tensor, iou_threshold = self.nms_threshold)
        # 獲取非極大抑制的結(jié)果
        class_boxes = tf.gather(class_boxes, nms_index)
        class_box_scores = tf.gather(class_box_scores, nms_index)
        classes = tf.ones_like(class_box_scores, 'int32') * c
        boxes_.append(class_boxes)
        scores_.append(class_box_scores)
        classes_.append(classes)
    boxes_ = tf.concat(boxes_, axis = 0)
    scores_ = tf.concat(scores_, axis = 0)
    classes_ = tf.concat(classes_, axis = 0)

實(shí)際上該部分與第二部分在一個(gè)函數(shù)里，完成輸出的解碼和篩選，完成預(yù)測(cè)過程。

def eval(self, yolo_outputs, image_shape, max_boxes = 20):
    """
    Introduction
    ------------
        根據(jù)Yolo模型的輸出進(jìn)行非極大值抑制，獲取最后的物體檢測(cè)框和物體檢測(cè)類別
    Parameters
    ----------
        yolo_outputs: yolo模型輸出
        image_shape: 圖片的大小
        max_boxes:  最大box數(shù)量
    Returns
    -------
        boxes_: 物體框的位置
        scores_: 物體類別的概率
        classes_: 物體類別
    """
    # 每一個(gè)特征層對(duì)應(yīng)三個(gè)先驗(yàn)框
    anchor_mask = [[6, 7, 8], [3, 4, 5], [0, 1, 2]]
    boxes = []
    box_scores = []
    # inputshape是416x416
    # image_shape是實(shí)際圖片的大小
    input_shape = tf.shape(yolo_outputs[0])[1 : 3] * 32
    # 對(duì)三個(gè)特征層的輸出獲取每個(gè)預(yù)測(cè)box坐標(biāo)和box的分?jǐn)?shù)，score = 置信度x類別概率
    #---------------------------------------#
    #   對(duì)三個(gè)特征層解碼
    #   獲得分?jǐn)?shù)和框的位置
    #---------------------------------------#
    for i in range(len(yolo_outputs)):
        _boxes, _box_scores = self.boxes_and_scores(yolo_outputs[i], self.anchors[anchor_mask[i]], len(self.class_names), input_shape, image_shape)
        boxes.append(_boxes)
        box_scores.append(_box_scores)
    # 放在一行里面便于操作
    boxes = tf.concat(boxes, axis = 0)
    box_scores = tf.concat(box_scores, axis = 0)
    mask = box_scores >= self.obj_threshold
    max_boxes_tensor = tf.constant(max_boxes, dtype = tf.int32)
    boxes_ = []
    scores_ = []
    classes_ = []
    #---------------------------------------#
    #   1、取出每一類得分大于self.obj_threshold
    #   的框和得分
    #   2、對(duì)得分進(jìn)行非極大抑制
    #---------------------------------------#
    # 對(duì)每一個(gè)類進(jìn)行判斷
    for c in range(len(self.class_names)):
        # 取出所有類為c的box
        class_boxes = tf.boolean_mask(boxes, mask[:, c])
        # 取出所有類為c的分?jǐn)?shù)
        class_box_scores = tf.boolean_mask(box_scores[:, c], mask[:, c])
        # 非極大抑制
        nms_index = tf.image.non_max_suppression(class_boxes, class_box_scores, max_boxes_tensor, iou_threshold = self.nms_threshold)
        # 獲取非極大抑制的結(jié)果
        class_boxes = tf.gather(class_boxes, nms_index)
        class_box_scores = tf.gather(class_box_scores, nms_index)
        classes = tf.ones_like(class_box_scores, 'int32') * c
        boxes_.append(class_boxes)
        scores_.append(class_box_scores)
        classes_.append(classes)
    boxes_ = tf.concat(boxes_, axis = 0)
    scores_ = tf.concat(scores_, axis = 0)
    classes_ = tf.concat(classes_, axis = 0)
    return boxes_, scores_, classes_

得到框的位置和種類后就可以畫圖了。

實(shí)現(xiàn)結(jié)果

“yolo3的預(yù)測(cè)思路和具體實(shí)現(xiàn)是什么”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)技術(shù)相關(guān)的知識(shí)可以關(guān)注群英網(wǎng)絡(luò)網(wǎng)站，小編每天都會(huì)為大家更新不同的知識(shí)。

免責(zé)聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱：[email protected]進(jìn)行舉報(bào)，并提供相關(guān)證據(jù)，查實(shí)之后，將立刻刪除涉嫌侵權(quán)內(nèi)容。

猜你喜歡

• Python用戶輸入怎樣實(shí)現(xiàn)，怎樣與while循環(huán)結(jié)合應(yīng)用

  內(nèi)容介紹一、用戶輸入1.輸入字符串2.使用函數(shù)int()獲取數(shù)值輸入3.求模運(yùn)算符的應(yīng)用二、while循環(huán)1.簡(jiǎn)單的while循環(huán)2.通過用戶輸入退出while循環(huán)3.使用標(biāo)志4.使用break退出循

• 什么是InceptionV3模型，應(yīng)用及實(shí)現(xiàn)是怎樣

  這篇文章主要為大家介紹了python神經(jīng)網(wǎng)絡(luò)InceptionV3模型復(fù)現(xiàn)詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪<BR>

• 怎樣用Python寫個(gè)簡(jiǎn)單的九九乘法表并輸出

  Python例子-用python語(yǔ)言實(shí)現(xiàn)九九乘法表，并輸出

• 如何用Python寫滑塊驗(yàn)證碼，重點(diǎn)是什么

  驗(yàn)證碼作為一種自然人的機(jī)器人的判別工具，被廣泛的用于各種防止程序做自動(dòng)化的場(chǎng)景中。傳統(tǒng)的字符型驗(yàn)證安全性已經(jīng)名存實(shí)亡的情況下，各種新型的驗(yàn)證碼如雨后春筍般涌現(xiàn)，今天給大家分享一篇Python實(shí)現(xiàn)滑塊驗(yàn)證碼

• Pandas創(chuàng)建Series對(duì)象的方法是什么，如何查看pandas版本

  這篇文章主要介紹了python-pandas創(chuàng)建Series數(shù)據(jù)類型的操作，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧