想象一下：你和你的自動(dòng)駕駛車正在穿越擁擠的街道。你是否曾經(jīng)想過(guò)這樣的自動(dòng)駕駛汽車是如何看待這個(gè)世界的？它實(shí)際上在不到1/10秒的時(shí)間內(nèi)玩起了“我瞧瞧”的游戲。

自動(dòng)駕駛汽車必須在瞬間內(nèi)識(shí)別人、標(biāo)志和車輛。這就是為什么在當(dāng)今社會(huì)中，準(zhǔn)確找到圖像中的對(duì)象如此重要的原因。準(zhǔn)確找到物體有助于這些汽車迅速做出決策，以確保我們所有人的安全。如果汽車錯(cuò)誤地認(rèn)為標(biāo)志是行人，可能會(huì)發(fā)生糟糕的事情。

車輛在圖像中的檢測(cè)

什么是目標(biāo)檢測(cè)？

這些自動(dòng)駕駛汽車正在進(jìn)行的正式名稱是目標(biāo)定位。目標(biāo)檢測(cè)旨在不僅對(duì)圖像中的對(duì)象進(jìn)行分類，還要找到該對(duì)象在圖像中的位置。這對(duì)于各種不同的任務(wù)都非常重要，因?yàn)樗�使自�?dòng)駕駛車輛能夠在復(fù)雜的交通場(chǎng)景中安全導(dǎo)航。

目標(biāo)檢測(cè)有各種不同的應(yīng)用。在醫(yī)學(xué)成像中，目標(biāo)檢測(cè)對(duì)于診斷疾病至關(guān)重要，在農(nóng)業(yè)技術(shù)中用于作物監(jiān)測(cè)，在增強(qiáng)現(xiàn)實(shí)中用于無(wú)縫用戶交互。準(zhǔn)確的目標(biāo)檢測(cè)不僅有助于理解和解釋視覺(jué)內(nèi)容，而且還為做出明智決策奠定了基礎(chǔ)。

在圖像中檢測(cè)對(duì)象

目標(biāo)檢測(cè)是如何工作的？

計(jì)算機(jī)中的目標(biāo)檢測(cè)由卷積神經(jīng)網(wǎng)絡(luò)提供支持。這些卷積神經(jīng)網(wǎng)絡(luò)能夠從圖像中提取特征，從而實(shí)現(xiàn)圖像的分類。有許多不同類型的目標(biāo)定位模型。一些目標(biāo)定位模型包括YOLO、SSD和R-CNN。YOLO是最強(qiáng)大且最高效的模型。它是最常用的目標(biāo)檢測(cè)模型。

這些圖像檢測(cè)神經(jīng)網(wǎng)絡(luò)首先通過(guò)分類頭預(yù)測(cè)圖像中的內(nèi)容。然后，在回歸頭中預(yù)測(cè)每個(gè)對(duì)象在圖像中的位置。分類旨在對(duì)圖像進(jìn)行特定數(shù)量的類別分類，而回歸旨在找到一個(gè)相關(guān)的數(shù)字，在圖像檢測(cè)的情況下是邊界框的x和y坐標(biāo)。

圖像檢測(cè)神經(jīng)網(wǎng)絡(luò)的架構(gòu)

介紹YOLO

YOLO，即“You Only Look Once”，改變了目標(biāo)檢測(cè)領(lǐng)域的游戲規(guī)則，它非�？焖俸透咝А�

YOLOv5是如何工作的？

與舊方法進(jìn)行多輪圖像處理不同，它使用深度神經(jīng)網(wǎng)絡(luò)，特別是卷積神經(jīng)網(wǎng)絡(luò)（CNNs），來(lái)檢測(cè)對(duì)象。但是，它以聰明的方式使用CNN。它將圖像分成小節(jié)并預(yù)測(cè)事物的位置以及對(duì)其猜測(cè)的自信程度，所有這些都一次性完成。

它將圖像分為SxS網(wǎng)格，每個(gè)單元格一個(gè)。如果對(duì)象的中心落在單元格下，該單元格負(fù)責(zé)該特定對(duì)象。對(duì)于每個(gè)單元格，它預(yù)測(cè)B個(gè)邊界框。它還使用C類概率預(yù)測(cè)每個(gè)框的置信度。對(duì)于每個(gè)邊界框，有5個(gè)預(yù)測(cè)：x、y、寬度、高度和置信度分?jǐn)?shù)。最終的預(yù)測(cè)被編碼為SxSx(Bx5+C)張量，即多維向量。當(dāng)YOLO在Pascal VOC上進(jìn)行評(píng)估時(shí)，這是一個(gè)用于目標(biāo)檢測(cè)的著名數(shù)據(jù)集，圖像被分為一個(gè)7x7的網(wǎng)格，每個(gè)單元格有2個(gè)邊界框的預(yù)測(cè)，以及20個(gè)總標(biāo)簽類。這導(dǎo)致了一個(gè)7x7x30的張量作為預(yù)測(cè)。

相較之前的方法Faster R-CNN，它依賴于一個(gè)更復(fù)雜的系統(tǒng)。它首先在圖像中提出潛在區(qū)域，然后分析每個(gè)區(qū)域以單獨(dú)檢測(cè)對(duì)象。這種方法涉及多個(gè)步驟，使其相對(duì)于YOLOv5而言更慢。另一方面，YOLOv5跳過(guò)了區(qū)域建議步驟，直接預(yù)測(cè)邊界框和對(duì)象概率。這個(gè)簡(jiǎn)化的過(guò)程顯著加速了目標(biāo)檢測(cè)，同時(shí)保持了高準(zhǔn)確性。

數(shù)據(jù)集

YOLOv5訓(xùn)練的數(shù)據(jù)集是COCO數(shù)據(jù)集。COCO數(shù)據(jù)集是640x640的圖像，可用于圖像檢測(cè)、圖像分割和圖像字幕�？偣灿�80個(gè)類別在COCO數(shù)據(jù)集中。由于COCO是一個(gè)非常龐大的數(shù)據(jù)集，因此它對(duì)于創(chuàng)建諸如YOLOv5之類的通用模型非常有用。

評(píng)估圖像檢測(cè)模型的準(zhǔn)確性

與所有機(jī)器學(xué)習(xí)模型一樣，我們需要測(cè)量模型的準(zhǔn)確性。那么對(duì)于目標(biāo)檢測(cè)模型，如何進(jìn)行準(zhǔn)確性評(píng)估呢？圖像檢測(cè)模型使用一種稱為交并比（IoU）的方法。較高的IoU表示預(yù)測(cè)邊界框與實(shí)際邊界框之間的匹配程度更高。

它通過(guò)將重疊區(qū)域的面積除以并集的面積來(lái)實(shí)現(xiàn)。IoU為1意味著預(yù)測(cè)和實(shí)際情況完全相同。

IoU的計(jì)算方式

使用Python進(jìn)行YOLO

既然我們了解了YOLO的工作原理以及它是如何訓(xùn)練的，我們?nèi)绾卧谧约旱某绦蛑芯帉懘�碼并實(shí)施呢？Ultralytics已經(jīng)將YOLOv5開(kāi)源，允許任何人在其自己的程序中使用YOLOv5。使用PyTorch hub，我們可以使用YOLOv5并測(cè)試圖像識(shí)別功能。

在實(shí)施YOLOv5時(shí)，我面臨的最具挑戰(zhàn)性的決定之一實(shí)際上是弄清楚如何實(shí)現(xiàn)它。有許多不同的方法，如Ultralytics和Roboflow。我決定使用Ultralytics，因?yàn)閁ltralytics使得與Python程序集成變得非常容易，尤其是與PyTorch一起使用。

你也可以查看Roboflow！Roboflow可以讓工程師創(chuàng)建和注釋數(shù)據(jù)集，開(kāi)發(fā)模型，并將模型部署在API端點(diǎn)上，我們可以將其部署到NVIDIA Jetson、iOS、瀏覽器和Raspberry Pi上！

TL;DR

目標(biāo)檢測(cè)對(duì)于自動(dòng)駕駛汽車和醫(yī)學(xué)診斷等應(yīng)用非常重要。

2. YOLOv5通過(guò)準(zhǔn)確地在圖像中識(shí)別對(duì)象，大大簡(jiǎn)化和改進(jìn)了目標(biāo)檢測(cè)，超越了以前的方法（如Faster R-CNN）的復(fù)雜性和速度。

結(jié)論

總的來(lái)說(shuō)，YOLO是機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺(jué)中非常強(qiáng)大的工具。它非常準(zhǔn)確，而且由于Ultralytics對(duì)這些模型的開(kāi)源，任何人，包括你和我，都可以利用這些最先進(jìn)的模型進(jìn)行工作和創(chuàng)建酷炫的應(yīng)用程序。