【深度学习】深入浅出YYOLOv3目标检测算法（图片和视频）

文章目录
1 概述
2 一个全卷积神经网络——Darknet-53
3 解释输出
4 代码实现
    4.1 导入项目
    4.2 执行脚本
    4.3 预测图像
    4.4 预测视频
5 yolo3连接网络摄像头实现目标检测命令
6 谈谈深度学习目标检测中的遮挡问题

1 概述

YOLO是“You Only Look Once”的简称，它虽然不是最精确的算法，但在精确度和速度之间选择的折中，效果也是相当不错。YOLOv3借鉴了YOLOv1和YOLOv2，虽然没有太多的创新点，但在保持YOLO家族速度的优势的同时，提升了检测精度，尤其对于小物体的检测能力。YOLOv3算法使用一个单独神经网络作用在图像上，将图像划分多个区域并且预测边界框和每个区域的概率。

2 一个全卷积神经网络——Darknet-53

YOLOv3仅使用卷积层，使其成为一个全卷积网络（FCN）。文章中，作者提出一个新的特征提取网络，Darknet-53。正如其名，它包含53个卷积层，每个后面跟随着batch normalization层和leaky ReLU层。没有池化层，使用步幅为2的卷积层替代池化层进行特征图的降采样过程，这样可以有效阻止由于池化层导致的低层级特征的损失。Darknet-53网络如下图左边所示。

3 解释输出

4 代码实现

代码已开源在github。
https://github.com/lixiang007666/yolov3_with_opencv_colab

4.1 导入项目

from google.colab import drive
drive.mount('/content/drive')

import os
os.chdir("/content/drive/My Drive")
!ls

https://github.com/lixiang007666/yolov3_with_opencv_colab.git

os.chdir("/content/drive/My Drive/yolov3_with_opencv")
!ls

4.2 执行脚本

!bash getModels.sh

4.3 预测图像

!python object_detection_yolo.py --image=/content/drive/MyDrive/yolov3_with_opencv/demo/dog.jpg

4.4 预测视频

!python3 object_detection_yolo.py --video=/content/drive/MyDrive/yolov3_with_opencv/demo/wall.mp4

时间略长。

5 yolo3连接网络摄像头实现目标检测命令

yolo3连接摄像头实现目标检测
yolo3使用较灵活，可以通过修改源码，来实现自己的一些功能。如果想要连接网络摄像头进行目标检测。针对目前我用的相机是海康或大华的，可以直接采用rtsp协议。测试连接成功。环境：Windows，darknet-yolo3。如果大家还没有实现yolo3的目标检测功能，可以参考我的另一篇博客：https://blog.csdn.net/wszswllnzn_/article/details/100760477
在命令中输入：darknet.exe detector demo cfg/coco.data yolov3.cfg yolov3.weights rtsp://admin:123456@192.168.43.12。使用此命令可以直接获取视频流。
上述指令中的admin和123456分别是摄像头ip camera的用户名和密码，摄像头的IP是192.168.43.12。需要根据知己的设备进行更改。

备注: 如果上述指令行不通，不妨试试相机自带的协议格式。
1、海康或大华摄像头
darknet.exe detector demo cfg/coco.data yolov3.cfg yolov3.weights rtsp://admin:123456@192.168.43.12:554/cam/realmonitor?channel=1&subtype=0
2、雄迈摄像头
darknet.exe detector demo cfg/coco.data yolov3.cfg yolov3.weights rtsp://192.168.43.12:554/user=admin&password=admin&channel=1&stream=0.sdp?real_stream

6 谈谈深度学习目标检测中的遮挡问题

尽管目标检测算法整体上已经相对比较成熟，但是在特殊场景下的表现还有很多优化空间，比如图片中的目标有遮挡、图像运动模糊、目标为可改变形状的非刚性物体等。本文主要是针对遮挡问题，之前在做游戏目标检测时也遇到过这个问题，当时只是考虑增加训练样本的多样性，最近，笔者读了几篇解决目标检测中的遮挡问题的文章，也看了一些网友的解析，觉得若有所悟，不自觉地想把自己的理解记录下来，自认为“一万个人眼中有一万个哈姆雷特”，希望能够从某个侧面对大家有所帮助。

目标检测中存在两类遮挡，（1）待检测的目标之间相互遮挡；（2）待检测的目标被干扰物体遮挡。比如下图，

具体来说，如果检测任务的目标是汽车和人，那么汽车被人遮挡，而且人被干扰物体（牛）遮挡。因为算法只学习待检测的物体的特征，所以第二种遮挡只能通过增加样本来优化检测效果。

在现实的检测任务中，只有比较特殊的场景需要考虑遮挡问题，比如行人检测、公交车上密集人群检测、牲畜数量计算等，本文将介绍的两篇文章是针对行人检测问题的，也可以复用到其它的应用场景（ps: 大家如果想发paper，也可以借鉴这两篇文章解决问题的方式）。
1 Repulsion Loss: Detecting Pedestrians in a Crowd
2 Occlusion-aware R-CNN: Detecting pedestrians in a Crowd