目标检测算法已经渗透进我们生活的方方面面，人脸识别就是一个非常典型的目标检测算法的应用。现在很多地方都已经设置了人脸识别的门禁系统，大家在出入时只需将自己的脸放入门禁的检测框内，门禁系统就能快速得识别出人脸的位置以及它的主人，从而判断是否开门放行。yolo算法是目前比较成熟的目标检测算法之一，我们从本篇文章开始，将一起探索它的魅力，并使用yolo v3实现画面中数字的检测与识别。   在此之前

  上篇文章，我们介绍了数字检测任务的数据集制作过程，接下来，我们就可以搭建模型，导入数据并开始训练了。但是在此之前，我们得先了解一些目标检测算法的基础概念。 一、边界框   目标检测的任务首先是检测物体的位置，所以我们必须约定一种表示位置的方法。通常我们使用包含目标的矩形框位置来描述目标的位置，这个矩形框就是边界框(bounding box, bbox)。图像处理领域通常使用原点在左上角的笛卡尔

  上篇文章，我们介绍了关于目标检测一些基础知识：边界框和锚框，以及使用python生成这些矩形框的方式。我们知道，在目标检测任务中，我们需要衡量锚框与边界框之间的重合度，这时候就需要引入交并比(Intersection of Union, IoU)这个概念了。 一、交并比   我们可以很直观地想到，可以通过两个区域重叠的部分来衡量它们之间的相关性，或者重合度。重叠的部分越多，则相关性越强；反之，

  在导入数据至模型之前，我们首先需要读取数据集的标注信息并将其转换为我们需要的格式。本篇文章将为大家介绍如何进行数据集标注信息的读取以及格式的转化。   首先我们来观察一下我们导入的数据集的结构： 每一张图片对应一个.jpeg图像文件以及一个.json文件，我们打开之前文章中经常处理的那张图片，即7.jpeg，就是这张： 对应的.json文件为7.json，部分信息如图： 我们从第二行开始

  在上一篇文章中，我们将数据集的标注信息单独保存在一个变量 'datas' 中，这是为了在使用yolo3进行训练时，可以更好地读取图片以及图片中的目标信息。本篇文章首先介绍如何进行图像文件以及对应信息的读取。此外，我们采集的数据集较少，需要对其进行增广处理，即采用一定的手法增加数据集的数量，以达到扩充数据集的目的。 一、数据集的读取   首先我们回顾一下上一篇文章中保存的信息结构： 第一行是标