關於rcnn時python的信息

本文目錄一覽：

• 1、win配置faster rcnn時,python setup.py install命令一直報錯，已嘗試多種方法仍沒有效果，求大神解決？！
• 2、如何評價rcnn，fast-rcnn和faster-rcnn這一系列方法
• 3、高大上的YOLOV3對象檢測算法，使用python也可輕鬆實現

win配置faster rcnn時,python setup.py install命令一直報錯，已嘗試多種方法仍沒有效果，求大神解決？！

你的vs安裝了相應的c語言sdk嗎

就是最下面說的那個頭文件stdbool沒找到，你看看是哪個sdk才有相應的頭文件呢

如何評價rcnn，fast-rcnn和faster-rcnn這一系列方法

RCNN：RCNN可以看作是RegionProposal+CNN這一框架的開山之作，在imgenet/voc/mscoco上基本上所有top的方法都是這個框架，可見其影響之大。RCNN的主要缺點是重複計算，後來MSRA的kaiming組的SPPNET做了相應的加速。

Fast-RCNN：RCNN的加速版本，在我看來，這不僅僅是一個加速版本，其優點還包括：

(a) 首先，它提供了在caffe的框架下，如何定義自己的層/參數/結構的範例，這個範例的一個重要的應用是python layer的應用，我在這裡支持多label的caffe，有比較好的實現嗎？ – 孔濤的回答也提到了。

(2) training and testing end-to-end 這一點很重要，為了達到這一點其定義了ROIPooling層，因為有了這個，使得訓練效果提升不少。

高大上的YOLOV3對象檢測算法，使用python也可輕鬆實現

繼續我們的目標檢測算法的分享，前期我們介紹了SSD目標檢測算法的python實現以及Faster-RCNN目標檢測算法的python實現以及yolo目標檢測算法的darknet的window環境安裝，本期我們簡單介紹一下如何使用python來進行YOLOV3的對象檢測算法

YOLOV3的基礎知識大家可以參考往期文章，本期重點介紹如何使用python來實現

1、初始化模型

14-16 行：

模型的初始化依然使用cv下的DNN模型來加載模型，需要注意的是CV的版本需要大於3.4.2

5-8行：

初始化模型在coco上的label以便後期圖片識別使用

10-12行：

初始化圖片顯示方框的顏色

2、加載圖片，進行圖片識別

輸入識別的圖片進行圖片識別，這部分代碼跟往期的SSD 以及RCNN目標檢測算法類似

19-20行：輸入圖片，獲取圖片的長度與寬度

25-29行：計算圖片的blob值，輸入神經網絡，進行前向反饋預測圖片

只不過net.forward裏面是ln， 神經網絡的所有out層

3、遍歷所有的out層，獲取檢測圖片的label與置信度

遍歷out層，獲取檢測到的label值以及置信度，檢測到這裡YOLOV3以及把所有的檢測計算完成，但是由於yolov3對重疊圖片或者靠的比較近的圖片檢測存在一定的問題，使用YOLOV3使用非最大值抑制來抑制弱的重疊邊界

竟然把墨鏡識別了手機，體現了YOLOV3在重疊圖片識別的缺點

4、應用非最大值抑制來抑制弱的重疊邊界，顯示圖片

56： 使用 非最大值抑制來抑制弱的重疊邊界

58-59行：遍歷所有圖片

61-62行：提取檢測圖片的BOX

64-68行：顯示圖片信息

70-71行：顯示圖片

利用python來實現YOLOV3，與SSD 以及RCNN代碼有很多類似的地方，大家可以參考往期的文章進行對比學習，把代碼執行一遍

進行視頻識別的思路：從視頻中提取圖片，進行圖片識別，識別完成後，再把識別的結果實時體現在視頻中，這部分代碼結合前期的視頻識別，大家可以參考多進程視頻實時識別篇，因為沒有多進程，檢測速度很慢，視頻看着比較卡

1、初始化模型以及視頻流

2、從視頻中提取圖片，進行圖片的blob值計算，進行神經網絡的預測

3、提取檢測到圖片的置信度以及ID值

4、 應用非最大值抑制來抑制弱的重疊邊界，顯示圖片

5、關閉資源，顯示圖片處理信息

每個目標檢測算法都有自己的優缺點，個人感覺，在精度要求不是太高的情況下SSD檢測算法可以實現較快的速度實現，畢竟精度差不多的情況下，我們希望速度越快越好