Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Yolov fr docx 1 Etude de cas Table des matières Qu'est-ce que YOLO et pourquoi est-il utile Comment fonctionne le cadre YOLO Comment coder les bo? tes englobantes Intersection sur l'Union et la suppression non maximale Bo? tes d'ancrage Combiner toutes le

Etude de cas Table des matières Qu'est-ce que YOLO et pourquoi est-il utile Comment fonctionne le cadre YOLO Comment coder les bo? tes englobantes Intersection sur l'Union et la suppression non maximale Bo? tes d'ancrage Combiner toutes les idées ci-dessus Qu'est-ce que YOLO et pourquoi est-il utile Les techniques de la famille R-CNN utilisent principalement les régions pour localiser les objets dans l'image Le réseau n'examine pas l'image dans son intégralité mais uniquement les parties de l'image qui ont le plus de chances de contenir un objet Le cadre YOLO You Only Look Once quant à lui traite la détection d'objets d'une manière di ?érente Il prend l'image entière en une seule fois et prédit les coordonnées des bo? tes englobantes et les probabilités de classe pour ces bo? tes Le plus grand avantage de l'utilisation de YOLO est sa superbe vitesse - il est incroyablement rapide et peut traiter images par seconde YOLO comprend également la représentation généralisée des objets Il s'agit de l'un des meilleurs algorithmes de détection d'objets et ses performances sont comparables à celles des algorithmes R-CNN Dans les prochaines sections nous allons apprendre les di ?érentes techniques utilisées dans l'algorithme YOLO Les explications suivantes sont inspirées du cours d'Andrew NG sur la détection d'objets qui m'a beaucoup aidé à comprendre le fonctionnement de YOLO CComment fonctionne le cadre YOLO Maintenant que nous avons compris pourquoi YOLO est un cadre si utile voyons comment il fonctionne réellement Dans cette section j'ai mentionné les étapes suivies par YOLO pour détecter des objets dans une image donnée YOLO prend d'abord une image en entrée Le cadre divise ensuite l'image d'entrée en grilles disons une grille de X C La classi ?cation et la localisation des images sont appliquées sur chaque grille YOLO prédit ensuite les bo? tes englobantes et les probabilités de classe correspondantes pour les objets s'il y en a bien sûr C'est assez simple n'est-ce pas Décomposons chaque étape pour avoir une compréhension plus ?ne de ce que nous venons d'apprendre Nous devons transmettre les données étiquetées au modèle a ?n de l'entra? ner Supposons que nous ayons divisé l'image en une grille de taille X et qu'il y ait un total de classes dans lesquelles nous voulons que les objets soient classés Disons que les classes sont respectivement piéton voiture et moto Ainsi pour chaque cellule de la grille l'étiquette y sera un vecteur à huit dimensions Ici pc dé ?nit si un objet est présent ou non dans la grille c'est la probabilité bx by bh bw spéci ?ent la bo? te de délimitation si un objet est présent c c c représentent les classes Ainsi si l'objet est une voiture c sera égal à et c et c seront égaux à et ainsi de suite Disons que nous sélectionnons la première grille de l'exemple ci-dessus Comme il n'y a pas d'objet dans cette grille pc sera égal à zéro et l'étiquette y pour cette grille sera CIci signi ?e que le contenu de