清华青年AI自强作业hw7：基于Yolo实现位置检测任务
- 简述
- 作业实现
- 相关链接
一起学AI系列博客：目录索引
简述
hw7作业为基于Yolo模型，对PASCAL_VOC_2007数据集的20类物体进行位置探测。数据集为600张图像，因此建议训练迭代次数小于100次即可。
由于缺乏实验数据，本次作业不进行实战，只对TF1.x版本的参考代码进行思路梳理学习。
- 相应实现源码见代码仓：https://github.com/ioMayday/Tsinghua_Youth_AI/tree/master/homework
- 相关keras使用指导：https://keras.io/zh/getting-started/sequential-model-guide/
作业实现
-
project文件架构
- ./目录
- train.py，训练源码，调用utils
- test.py，测试源码，调用utils
- testImg目录：测试图像观测结果
- utils目录：辅助模块代码
- config.py：配置模型相关参数和文件路径
- data_pascal_voc.py：读取PASCAL_VOC数据
- model_yolo.py：网络模型构建
- timer.py：时间计算
- download_data.sh：若数据集文件加载较慢，可运行该文件，从网上下载数据集
- ./目录
具体模型构建及层数设计见源码model_yolo.py和相关论文，这里提几个特殊的点：
- 模型输出
- 先划分格子进行分类任务，再根据bounding box进行位置输出
- 输出label为：1、是否含目标物体；2、目标物体位置；3、目标物体类别
- 训练loss进行合理组合
- 分类loss（是否含目标）
- 类别loss（具体哪个目标）
- 位置loss
基本原理：
相关链接
- 文科生都能零基础学AI？清华这门免费课程让我信了，link
- 清华青年AI自强作业hw2：线性回归预测，link
- 清华青年AI自强作业hw3_1：用线性回归模型拟合MNIST手写数字分类，link
- 清华青年AI自强作业hw3_2：前向传播和反向传播实战，link
- 清华青年AI自强作业hw3_3：用NN网络拟合MNIST手写数字分类，link
- 清华青年AI自强作业hw4：基于DNN实现狗狗二分类与梯度消失实验，link
- 清华青年AI自强作业hw5：基于CNN实现CIFAR10分类任务，link
- 清华青年AI自强作业hw6：基于ResNet实现IMAGENET分类任务，link
