二、指令碼檔案說明
進入根目錄，依次進入/submodules/kittiobjective2/
此時目錄下一共6個物件：
1、val_gt資料夾儲存樣本的標籤文件，開啟000000.txt舉例說明其組織格式：
pedestrian 0.00 1 0.30 883.68 144.15 937.35 259.01 1.90 0.42 1.04 5.06 1.43 12.42 0.68
pedestrian 0.00 2 0.29 873.70 152.10 933.44 256.07 1.87 0.50 0.90 5.42 1.50 13.43 0.67
car 0.00 0 1.74 444.29 171.04 504.95 225.82 1.86 1.57 3.83 -4.95 1.83 26.64 1.55
pedestrian 0.00 0 -0.39 649.28 168.10 664.61 206.40 1.78 0.53 0.95 2.20 1.57 34.08 -0.33
car 0.98 0 2.42 0.00 217.12 85.92 374.00 1.50 1.46 3.70 -5.12 1.85 4.13 1.56
pedestrian 0.00 0 2.02 240.35 190.31 268.02 261.61 1.54 0.57 0.41 -7.92 1.94 15.95 1.57
dontcare -1 -1 -10 0.00 226.06 88.58 373.00 -1 -1 -1 -1000 -1000 -1000 -10
dontcare -1 -1 -10 567.39 173.95 574.86 190.60 -1 -1 -1 -1000 -1000 -1000 -10
dontcare -1 -1 -10 727.58 165.75 737.08 192.75 -1 -1 -1 -1000 -1000 -1000
這是kitti資料的注釋標準，第一列表示類別，4-7列分別表示矩形框的左上、右下的座標，其他值可自行查閱
2、val_pred資料夾儲存樣本的**結果，注意每張的**結果文件以.txt形式儲存，檔名和val_gt中的
要對應上，一張的檢測結果寫在乙個txt中，乙個矩形框寫一行，開啟000011.txt說明：
car 0 1 0 442.462500 173.177083 507.150000 225.260417 0 0 0 0 0 0 0 0.995087
car 0 1 0 1.293750 189.453125 97.031250 375.651042 0 0 0 0 0 0 0 0.983480
第一列代表類別，2-4列可以隨意填寫，5-8列為矩形框資訊，同上，9-15列可以任意填寫，最後一列為檢測框
的置信率，即是包含物體的可能性，注意，檢測結果的每一行比標籤的每一行要多一列
3、makefile 進行make生成工具
4、evaluate_object.cpp 繪圖的指令碼cpp
三、安裝必要環境，測試指令碼
在/submodules/kittiobjective2/目錄下，執行命令，make clean，然後make，通常情況下會提示安裝
「gnuplot」工具，這個安裝很簡單，一條命令搞定：sudo apt-get install gnuplo
隨後執行命令/evaluate_object2 val_pred val_gt看有無錯誤，基本不會出錯！
四、準備資料的注意點
1、標籤檔案放入val_gt資料夾
2、檢測結果放入val_pred資料夾
3、檔案格式一定按照要求寫
4、檔案命名修改：必須是6位的數字，如：000000.txt和000001.txt，且標籤和檢測結果相對應，要改檔名也很
簡單，可以自行寫個小指令碼處理，參照原先檔案下下面的標準，依葫蘆畫瓢！
五、繪製曲線
首先更改evaluate_object.cpp中的
const int32_t n_maximages = 7518;
const int32_t n_testimages = 481;
其數值表示你此次樣本的數量，自行修改
然後make，執行命令：run evaluate_object2 /path/to/prediction /path/to/gt
生成的曲線便在你檢測結果的資料夾的子資料夾/plot/中
六、**交流
碼字不易，少俠且行且珍惜！
yolov3系列 零 yolov3詳解
目標檢測演算法與efficientdet講解 論 文 翻譯 yolov3主頁 yolo系列的目標檢測演算法可以說是目標檢測史上的巨集篇巨作，v3演算法是在v1 v2基礎上形成的，先看下 yolov1 yolov2 下圖為yolov3的網路結構 dbl darknetconv2d bn leaky 是...
利用wider face訓練yolov3模型的坑
yolov3出來已經有一段時間了，最近利用其玩了一下wider face的資料集，現在把踩過的坑寫一篇部落格。一 準備 1 準備 data,cfg,names 三個檔案，官網上面都有說明 2 準備wider face資料集及標籤 可以參考 3 準備好你的gpu，等等 二 坑1 訓練時注意要將資料放入...
yolov3的缺點 yolov3特點總結
p1，yolov3，簡單總結下比較特別的地方 1.bounding box 中心值x,y的 是通過乙個sigmoid 函式，來 在每乙個單元 cell 的相對位置。而不像普通那種 乙個相對於anchor的offset。然後bbox 損失是用的mse 一般都是用smooth l1 3.類別 沒有使用s...