k-means聚类算法
分类 vs. 聚类
分类:类别是已知的,通过对已知分类的数据进行训练和学习,找到这些不同类别的特征,再对未分类的数据进行分类。属于有监督学习(有标签) 聚类:事先不知道数据会分为几类,通过聚类分析将数据聚合成几个群体。聚类不需要对数据进行训练和学习。属于无监督学习(无标签)
分类:类别是已知的,通过对已知分类的数据进行训练和学习,找到这些不同类别的特征,再对未分类的数据进行分类。属于有监督学习(有标签) 聚类:事先不知道数据会分为几类,通过聚类分析将数据聚合成几个群体。聚类不需要对数据进行训练和学习。属于无监督学习(无标签)
Image Localization Dataset是一个目标检测数据集,其标注文件使用了PASCAL VOC
定义的格式,将其转换成COCO
格式
介绍COCO
目标检测任务以及评价标准
COCO
将目标检测任务分为两个部分:
用于目标检测任务的训练/测试/验证数据集拥有超过20
万张图像,共80
个类别。其中,在训练和验证数据集上的标注超过了50
万个
介绍COCO
数据集以及标注文件格式。官网地址:COCO
COCO
是一个大规模的目标检测、分割和字幕数据集。包含了以下特征:
Object segmentation
)Recognition in context
)Superpixel stuff segmentation
)33
万张图像,其中超过20
万张已标注(330K images (>200K labeled)
)150
万个目标实例(1.5 million object instances
)80
个目标类别(80 object categories
)91 stuff categories
5
个字幕(5 captions per image
)25
万个行人关键点(250,000 people with keypoints
)研究lufficc/SSD源码时,发现其实现了一个目标检测训练框架,进行深入研究后整理成一个新的训练框架
阅读源码时发现torchvision
提供了许多边界框操作,包括
NMS
IoU
计算在线文档:torchvision.ops
源码地址:torchvision/ops/boxes.py
当前torchvision
版本:0.6.0a0+82fd1c8
之前学习IoU
的概念并且实现了预测框和对应真值边界框之间的计算 - [目标检测]IoU
不过预设的条件是每个真值边界框仅和单个预测边界框进行比对,参考box_utils.py计算每个真值边界框和每个预测边界框的IoU