PaddleDetection算法分析（4）

本文主要是介绍PaddleDetection算法分析（4），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

2021SC@SDUSC

接上篇

run yolo_video.pydef detect_img(yolo):while True:img = input('Input image filename:')   #输入一张图片try:image = Image.open(img)except:print('Open Error! Try again!')continueelse:r_image = yolo.detect_image(image)  #进入yolo.detect_image 进行检测r_image.show()yolo.close_session()detect_image（）函数在yolo.py第102行def detect_image(self, image):start = timer()if self.model_image_size != (None, None):  #判断图片是否存在assert self.model_image_size[0]%32 == 0, 'Multiples of 32 required'  assert self.model_image_size[1]%32 == 0, 'Multiples of 32 required'#assert断言语句的语法格式 model_image_size[0][1]指图像的w和h，且必须是32的整数倍boxed_image = letterbox_image(image, tuple(reversed(self.model_image_size)))                               #letterbox_image()定义在utils.py的第20行。输入参数（图像 ,(w=416,h=416)),输出一张使用填充来调整图像的纵横比不变的新图。  else:new_image_size = (image.width - (image.width % 32),image.height - (image.height % 32))boxed_image = letterbox_image(image, new_image_size)image_data = np.array(boxed_image, dtype='float32')print(image_data.shape)  #（416，416,3）image_data /= 255.  #归一化image_data = np.expand_dims(image_data, 0) #批量添加一维 -> (1,416,416,3) 为了符合网络的输入格式 -> (bitch, w, h, c)out_boxes, out_scores, out_classes = self.sess.run([self.boxes, self.scores, self.classes],  #目的为了求boxes,scores,classes，具体计算方式定义在generate（）函数内。在yolo.py第61行feed_dict={    #喂参数self.yolo_model.input: image_data,  #图像数据self.input_image_shape: [image.size[1], image.size[0]],   #图像尺寸K.learning_phase(): 0   #学习模式 0：测试模型。 1：训练模式})print('Found {} boxes for {}'.format(len(out_boxes), 'img'))

继续算法分析

（3）在yolo_eval()函数中调用yolo_boxes_and_scores()得到目标框、目标框得分和类别。而在yolo_boxes_and_scores()函数中，先调用yolo_head()函数计算每一个网格的目标对象的中心点坐标box_xy和目标框的宽与高box_wh，以及目标框的置信度box_confidence和类别置信度box_class_probs；然后调用yolo_correct_boxes（），将box_xy, box_wh转换为输入图片上的真实坐标，输出boxes是框的左下、右上两个坐标(y_min, x_min, y_max, x_max)：