基于YOLOv4的目標(biāo)檢測(cè)系統(tǒng)（附MATLAB代碼+GUI實(shí)現(xiàn)）
摘要：本文介紹了一種MATLAB實(shí)現(xiàn)的目標(biāo)檢測(cè)系統(tǒng)代碼，采用 YOLOv4 檢測(cè)網(wǎng)絡(luò)作為核心模型，用于訓(xùn)練和檢測(cè)各種任務(wù)下的目標(biāo)，并在GUI界面中對(duì)各種目標(biāo)檢測(cè)結(jié)果可視化。文章詳細(xì)介紹了YOLOv4的實(shí)現(xiàn)過(guò)程，包括算法原理、MATLAB 實(shí)現(xiàn)代碼、訓(xùn)練數(shù)據(jù)集、訓(xùn)練過(guò)程和圖形用戶(hù)界面。在GUI界面中，用戶(hù)可以選擇各種圖片、視頻、攝像頭進(jìn)行檢測(cè)識(shí)別，可更換檢測(cè)模型。本文提供了完整的 MATLAB 代碼和使用教程，適合新入門(mén)的朋友參考。完整代碼資源文件請(qǐng)參見(jiàn)文末的下載鏈接。
完整代碼下載：https://mbd.pub/o/bread/ZJiYm51v
參考視頻演示：https://www.bilibili.com/video/BV15a4y1G7yJ/
1. 引言
十年前博主在初學(xué)人工智能時(shí)，經(jīng)常發(fā)現(xiàn)網(wǎng)上可供參考的高質(zhì)量的完整教程或博客很少，要實(shí)現(xiàn)一個(gè)復(fù)雜點(diǎn)的代碼基本無(wú)從參考，自己很多時(shí)候都是在瞎摸索。撰寫(xiě)這篇博客的初衷是為了分享技術(shù)知識(shí)，為初學(xué)者提供啟發(fā)，我希望通過(guò)博客的實(shí)例和解釋?zhuān)ぐl(fā)讀者的興趣和熱情，幫助他們更好地理解和應(yīng)用相關(guān)技術(shù)。正所謂“博學(xué)而篤志，切問(wèn)而近思”，也希望讀者在閱讀博客的過(guò)程中，不要停止思考，在掌握基本原理和技術(shù)之后，嘗試自己解決問(wèn)題，提出新的觀點(diǎn)和想法。在學(xué)習(xí)的過(guò)程中，可能會(huì)遇到挑戰(zhàn)和困難，一個(gè)Bug的解決或許正是提高技能、拓展知識(shí)邊界的時(shí)機(jī)。本博客內(nèi)容為博主原創(chuàng)，相關(guān)引用和參考文獻(xiàn)我已在文中標(biāo)注，考慮到可能會(huì)有相關(guān)專(zhuān)業(yè)人員看到，博主的博客這里盡可能以學(xué)術(shù)期刊的格式撰寫(xiě)，如需參考可引用本博客格式如下：
[1] 思緒無(wú)限. 基于YOLOv4的目標(biāo)檢測(cè)系統(tǒng)（附MATLAB代碼+GUI實(shí)現(xiàn)）[J/OL]. Zhihu, 2023.05.?https://zhuanlan.zhihu.com/p/626659942/.
[2] Wu, S. (2023, May). Object Detection System Based on YOLOv4 (with MATLAB Code and GUI Implementation) [J/OL]. Zhihu.?https://zhuanlan.zhihu.com/p/626659942/.
目標(biāo)檢測(cè)作為計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)重要研究方向，旨在從圖像或視頻中識(shí)別和定位特定類(lèi)別的物體（Redmon et al., 2016）[1]。在過(guò)去的幾年里，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的目標(biāo)檢測(cè)方法取得了顯著的進(jìn)步。一些經(jīng)典的目標(biāo)檢測(cè)方法包括R-CNN（Girshick et al., 2014）[2]、Fast R-CNN（Girshick, 2015）[3]、Faster R-CNN（Ren et al., 2015）[4]、SSD（Liu et al., 2016）[5]和RetinaNet（Lin et al., 2017）[6]。這些方法在各種基準(zhǔn)數(shù)據(jù)集上取得了不俗的成績(jī)，如PASCAL VOC（Everingham et al., 2010）[7]、COCO（Lin et al., 2014）[8]和ImageNet（Russakovsky et al., 2015）[9]。YOLO系列算法（Redmon et al., 2016; Redmon & Farhadi, 2017; Redmon & Farhadi, 2018; Bochkovskiy et al., 2020）[1, 10-12]相較于其他方法，更注重檢測(cè)速度和實(shí)時(shí)性，因此在許多實(shí)際應(yīng)用場(chǎng)景中具有較大優(yōu)勢(shì)。
盡管上述方法在目標(biāo)檢測(cè)領(lǐng)域取得了顯著成果，但每種方法都存在一定的局限性。例如，R-CNN系列方法在檢測(cè)精度上表現(xiàn)優(yōu)異，但計(jì)算復(fù)雜度較高，導(dǎo)致檢測(cè)速度較慢（Girshick et al., 2014; Girshick, 2015; Ren et al., 2015）[2-4]。相比之下，SSD和RetinaNet等一階段檢測(cè)方法在檢測(cè)速度上有所改進(jìn)，但精度相對(duì)較低（Liu et al., 2016; Lin et al., 2017）[5, 6]。YOLO系列算法在檢測(cè)速度和精度之間取得了較好的平衡（Redmon et al., 2016; Redmon & Farhadi, 2017; Redmon & Farhadi, 2018; Bochkovskiy et al., 2020）[1, 10-12]。尤其是YOLOv4算法，憑借其較高的檢測(cè)精度和速度成為了目標(biāo)檢測(cè)領(lǐng)域的一種重要方法（Bochkovskiy et al., 2020）[12]。
目前，許多研究者和工程師已經(jīng)成功地將YOLOv4應(yīng)用于各種實(shí)際場(chǎng)景，如無(wú)人駕駛（Geiger et al., 2012）[13]、視頻監(jiān)控（Sindhu et al., 2021）[14]、醫(yī)學(xué)影像（Shewajo et al., 2023）[15]等。然而，盡管YOLOv4在目標(biāo)檢測(cè)任務(wù)中取得了令人矚目的成果，但在MATLAB環(huán)境中實(shí)現(xiàn)YOLOv4的相關(guān)研究仍相對(duì)較少（MathWorks, 2021）[16]?；贛ATLAB實(shí)現(xiàn)YOLOv4目標(biāo)檢測(cè)系統(tǒng)具有較強(qiáng)的實(shí)用性，可以為計(jì)算機(jī)視覺(jué)和圖像處理領(lǐng)域的研究人員和工程師提供便捷的開(kāi)發(fā)和調(diào)試工具。因此，本博客的主要貢獻(xiàn)點(diǎn)如下：
提供一個(gè)基于MATLAB實(shí)現(xiàn)的YOLOv4目標(biāo)檢測(cè)系統(tǒng)，該系統(tǒng)具有用戶(hù)友好的界面，支持多種檢測(cè)模式，如圖片檢測(cè)、批量檢測(cè)、視頻檢測(cè)和實(shí)時(shí)攝像頭檢測(cè)；
詳細(xì)介紹在MATLAB環(huán)境中準(zhǔn)備YOLOv4模型訓(xùn)練所需的數(shù)據(jù)集格式，以及給出一個(gè)自定義動(dòng)物識(shí)別數(shù)據(jù)集的實(shí)例；
提供YOLOv4模型的訓(xùn)練代碼，并通過(guò)訓(xùn)練曲線和模型評(píng)估結(jié)果展示其性能；
結(jié)合GUI界面，詳細(xì)闡述系統(tǒng)的設(shè)計(jì)框架和實(shí)現(xiàn)原理。
2. 系統(tǒng)界面演示效果
為了方便用戶(hù)進(jìn)行目標(biāo)檢測(cè)，我們基于MATLAB開(kāi)發(fā)了一個(gè)具有用戶(hù)友好界面的YOLOv4目標(biāo)檢測(cè)系統(tǒng)。該系統(tǒng)支持以下功能：
（1）選擇圖片檢測(cè)：用戶(hù)可以選擇單張圖片進(jìn)行目標(biāo)檢測(cè)，系統(tǒng)將識(shí)別圖片中的物體并在圖片上標(biāo)注出物體的邊界框和類(lèi)別。
（2）選擇文件夾批量檢測(cè)：用戶(hù)可以選擇一個(gè)文件夾進(jìn)行批量檢測(cè)，系統(tǒng)將自動(dòng)識(shí)別文件夾中的所有圖片，并將檢測(cè)結(jié)果保存到指定的輸出文件夾中。
（3）選擇視頻檢測(cè)：用戶(hù)可以選擇一個(gè)視頻文件進(jìn)行目標(biāo)檢測(cè)，系統(tǒng)將實(shí)時(shí)識(shí)別視頻中的物體并在視頻畫(huà)面上標(biāo)注出物體的邊界框和類(lèi)別。
（4）調(diào)用攝像頭檢測(cè)：用戶(hù)可以啟用計(jì)算機(jī)攝像頭進(jìn)行實(shí)時(shí)目標(biāo)檢測(cè)，系統(tǒng)將實(shí)時(shí)識(shí)別攝像頭捕捉到的畫(huà)面中的物體，并在畫(huà)面上標(biāo)注出物體的邊界框和類(lèi)別。
（5）更換不同網(wǎng)絡(luò)模型：用戶(hù)可以根據(jù)需要選擇不同的YOLOv4預(yù)訓(xùn)練模型進(jìn)行目標(biāo)檢測(cè)，以適應(yīng)不同的檢測(cè)任務(wù)和性能要求。
（6）通過(guò)界面顯示結(jié)果和可視化：系統(tǒng)的界面將直觀地展示檢測(cè)結(jié)果，包括物體的邊界框、類(lèi)別以及置信度得分。同時(shí)，用戶(hù)可以通過(guò)界面查看檢測(cè)過(guò)程的可視化效果，以便更好地了解模型的檢測(cè)性能。
3. 數(shù)據(jù)集格式介紹
在MATLAB環(huán)境中訓(xùn)練YOLOv4模型，首先需要準(zhǔn)備一個(gè)合適的數(shù)據(jù)集。數(shù)據(jù)集應(yīng)包含大量標(biāo)注的圖片，以便訓(xùn)練模型學(xué)會(huì)識(shí)別不同類(lèi)別的物體。本節(jié)將詳細(xì)介紹MATLAB官方支持的YOLOv4模型訓(xùn)練所需的數(shù)據(jù)集標(biāo)注文件格式，以及如何創(chuàng)建一個(gè)自定義的動(dòng)物識(shí)別數(shù)據(jù)集作為示例。
在MATLAB中，YOLOv4訓(xùn)練所需的數(shù)據(jù)集標(biāo)注信息采用table類(lèi)型進(jìn)行存儲(chǔ)。每個(gè)table的行表示一個(gè)樣本（即一張圖片），每一列對(duì)應(yīng)一個(gè)特定的信息。第一列為圖片文件的路徑，而從第二列開(kāi)始，每一列對(duì)應(yīng)一個(gè)特定類(lèi)別的標(biāo)注信息。每個(gè)類(lèi)別的標(biāo)注信息包括在該類(lèi)別下的邊界框坐標(biāo)。如果一張圖片中有多個(gè)邊界框?qū)儆谕活?lèi)別，則使用二維數(shù)組表示這些邊界框。若某類(lèi)別在圖片中沒(méi)有出現(xiàn)，則用空數(shù)組（[]）表示。
自定義動(dòng)物識(shí)別數(shù)據(jù)集為例，可以看到數(shù)據(jù)集的結(jié)構(gòu)如下：
在這個(gè)示例中，有6個(gè)類(lèi)別：鳥(niǎo)（bird）、貓（cat）、牛（cow）、狗（dog）、馬（horse）和羊（sheep）。每個(gè)類(lèi)別的標(biāo)注信息包括邊界框的左上角坐標(biāo)（x, y）以及邊界框的寬度和高度（w, h）。
4. 模型訓(xùn)練代碼
在本節(jié)中，將介紹如何使用MATLAB進(jìn)行YOLOv4模型的訓(xùn)練。我們將使用在前面部分準(zhǔn)備好的自定義動(dòng)物識(shí)別數(shù)據(jù)集。首先，需要加載訓(xùn)練集、驗(yàn)證集和測(cè)試集的數(shù)據(jù)，并添加圖像文件的完整路徑。以下是加載數(shù)據(jù)集的MATLAB代碼：
接下來(lái)，使用imageDatastore和boxLabelDatastore創(chuàng)建數(shù)據(jù)存儲(chǔ)，以便在訓(xùn)練和評(píng)估期間加載圖像和標(biāo)簽數(shù)據(jù)。
為了訓(xùn)練YOLOv4模型，需要調(diào)整輸入圖像的大小，并根據(jù)錨框數(shù)量估計(jì)錨框。
接下來(lái)使用COCO數(shù)據(jù)集上訓(xùn)練的預(yù)訓(xùn)練YOLOv4檢測(cè)網(wǎng)絡(luò)創(chuàng)建YOLOv4對(duì)象檢測(cè)器。在此之前，可以選擇性地應(yīng)用數(shù)據(jù)增強(qiáng)方法，例如隨機(jī)水平翻轉(zhuǎn)、隨機(jī)縮放和顏色變換等。然后，設(shè)置訓(xùn)練參數(shù)，如學(xué)習(xí)率、批量大小和最大迭代次數(shù)等。
訓(xùn)練過(guò)程中的輸出信息如下：
在這個(gè)過(guò)程中，首先選擇是否進(jìn)行數(shù)據(jù)增強(qiáng)。然后，設(shè)置訓(xùn)練參數(shù)，例如執(zhí)行環(huán)境（GPU）、學(xué)習(xí)率、批量大小、最大迭代次數(shù)等。接下來(lái)，根據(jù)選擇進(jìn)行訓(xùn)練或使用預(yù)訓(xùn)練模型。訓(xùn)練完成后，將模型保存為animal_tiny_yolov4.mat。最后，使用訓(xùn)練好的模型在測(cè)試集上進(jìn)行檢測(cè)，評(píng)估檢測(cè)精度，保存測(cè)試結(jié)果和訓(xùn)練曲線。整個(gè)訓(xùn)練過(guò)程涉及預(yù)處理數(shù)據(jù)、數(shù)據(jù)增強(qiáng)、設(shè)置訓(xùn)練參數(shù)、進(jìn)行訓(xùn)練、評(píng)估檢測(cè)精度等步驟。以上代碼示例展示了如何使用MATLAB實(shí)現(xiàn)這些步驟，以實(shí)現(xiàn)YOLOv4模型的訓(xùn)練和評(píng)估。
5. 系統(tǒng)實(shí)現(xiàn)
在本節(jié)中，將詳細(xì)介紹如何將YOLOv4目標(biāo)檢測(cè)器與圖形用戶(hù)界面（GUI）相結(jié)合，以實(shí)現(xiàn)一個(gè)友好、易于使用的動(dòng)物識(shí)別系統(tǒng)。結(jié)合GUI可以讓用戶(hù)更方便地上傳圖片、選擇模型參數(shù)，以及查看識(shí)別結(jié)果。以下是設(shè)計(jì)框架和實(shí)現(xiàn)原理。系統(tǒng)實(shí)現(xiàn)主要包括以下幾個(gè)部分：
圖形用戶(hù)界面（GUI）：提供用戶(hù)與系統(tǒng)交互的界面，包括圖片上傳、模型參數(shù)選擇、結(jié)果展示等功能。
圖像處理模塊：對(duì)用戶(hù)上傳的圖片進(jìn)行預(yù)處理，以適應(yīng)YOLOv4模型的輸入要求。
檢測(cè)器模塊：使用訓(xùn)練好的YOLOv4動(dòng)物目標(biāo)檢測(cè)器進(jìn)行動(dòng)物類(lèi)別識(shí)別。
結(jié)果處理模塊：對(duì)檢測(cè)結(jié)果進(jìn)行后處理，以便在GUI上展示。
我們的GUI設(shè)計(jì)旨在為用戶(hù)提供一個(gè)簡(jiǎn)潔、直觀的操作界面。主要元素包括菜單欄、圖片顯示區(qū)域、參數(shù)設(shè)置區(qū)域和結(jié)果顯示區(qū)域。將這些元素布局得緊湊而有序，以便用戶(hù)能夠方便地進(jìn)行圖片上傳、參數(shù)設(shè)置和結(jié)果查看。以下是GUI中涉及的主要控件：
圖片選擇按鈕：用戶(hù)點(diǎn)擊此按鈕后，系統(tǒng)將打開(kāi)文件選擇器以便用戶(hù)選擇一張圖片。選定圖片后，圖片將在圖像顯示坐標(biāo)系中展示。
視頻選擇按鈕：用戶(hù)點(diǎn)擊此按鈕后，系統(tǒng)將打開(kāi)文件選擇器以便用戶(hù)選擇一個(gè)視頻文件。選定視頻后，視頻將在圖像顯示坐標(biāo)系中播放并實(shí)時(shí)顯示識(shí)別結(jié)果。
攝像頭開(kāi)啟按鈕：用戶(hù)點(diǎn)擊此按鈕后，系統(tǒng)將開(kāi)啟計(jì)算機(jī)攝像頭并實(shí)時(shí)捕獲視頻流。捕獲的視頻將在圖像顯示坐標(biāo)系中展示并實(shí)時(shí)顯示識(shí)別結(jié)果。
更換模型按鈕：用戶(hù)點(diǎn)擊此按鈕后，系統(tǒng)將彈出一個(gè)對(duì)話框，讓用戶(hù)選擇新的模型文件。選定新模型后，系統(tǒng)將使用新模型進(jìn)行后續(xù)的識(shí)別任務(wù)。
圖像顯示坐標(biāo)系：用于實(shí)時(shí)顯示用戶(hù)上傳的圖片、選定的視頻或捕獲的攝像頭視頻流，以及在圖像上顯示識(shí)別結(jié)果。
結(jié)果顯示區(qū)域：用于展示檢測(cè)到的動(dòng)物類(lèi)別、置信度等信息。用戶(hù)可以在這個(gè)區(qū)域查看識(shí)別結(jié)果。
為了實(shí)現(xiàn)GUI的交互功能，需要編寫(xiě)一系列回調(diào)函數(shù)。以下是主要的回調(diào)函數(shù)及其功能：
圖片選擇回調(diào)函數(shù)：當(dāng)用戶(hù)點(diǎn)擊圖片選擇按鈕時(shí)，此函數(shù)將被觸發(fā)。它負(fù)責(zé)打開(kāi)文件選擇器，讓用戶(hù)選擇一張圖片，并將圖片顯示在圖像顯示坐標(biāo)系中。
視頻選擇回調(diào)函數(shù)：當(dāng)用戶(hù)點(diǎn)擊視頻選擇按鈕時(shí)，此函數(shù)將被觸發(fā)。它負(fù)責(zé)打開(kāi)文件選擇器，讓用戶(hù)選擇一個(gè)視頻文件，并在圖像顯示坐標(biāo)系中播放視頻，同時(shí)實(shí)時(shí)顯示識(shí)別結(jié)果。
攝像頭開(kāi)啟回調(diào)函數(shù)：當(dāng)用戶(hù)點(diǎn)擊攝像頭開(kāi)啟按鈕時(shí)，此函數(shù)將被觸發(fā)。它負(fù)責(zé)開(kāi)啟計(jì)算機(jī)攝像頭，捕獲視頻流并在圖像顯示坐標(biāo)系中實(shí)時(shí)顯示識(shí)別結(jié)果。
更換模型回調(diào)函數(shù)：當(dāng)用戶(hù)點(diǎn)擊更換模型按鈕時(shí)，此函數(shù)將被觸發(fā)。它負(fù)責(zé)彈出一個(gè)對(duì)話框，讓用戶(hù)選擇新的模型文件，并將新模型應(yīng)用于后續(xù)的識(shí)別任務(wù)。
通過(guò)以上設(shè)計(jì)，實(shí)現(xiàn)了一個(gè)易于使用、功能齊全的圖形用戶(hù)界面。用戶(hù)可以通過(guò)這個(gè)界面方便地進(jìn)行圖片上傳、視頻選擇、攝像頭開(kāi)啟、模型更換和結(jié)果查看，從而實(shí)現(xiàn)動(dòng)物識(shí)別任務(wù)。
5. 總結(jié)與展望
本文主要介紹了一種基于YOLOv4的目標(biāo)檢測(cè)系統(tǒng)。首先，詳細(xì)闡述了數(shù)據(jù)集的標(biāo)注格式及預(yù)處理過(guò)程，包括圖像的標(biāo)注、數(shù)據(jù)的劃分等。接著，使用 YOLOv4 檢測(cè)網(wǎng)絡(luò)構(gòu)建了動(dòng)物識(shí)別模型，并詳細(xì)描述了訓(xùn)練過(guò)程中的參數(shù)設(shè)置、錨框估計(jì)、數(shù)據(jù)增強(qiáng)等關(guān)鍵環(huán)節(jié)。隨后，討論了系統(tǒng)實(shí)現(xiàn)的關(guān)鍵技術(shù)，包括網(wǎng)絡(luò)設(shè)計(jì)、GUI設(shè)計(jì)等，并展示了一個(gè)基于 MATLAB 的圖形用戶(hù)界面，方便用戶(hù)進(jìn)行動(dòng)物識(shí)別任務(wù)。
盡管本文所提出的動(dòng)物識(shí)別系統(tǒng)已經(jīng)取得了較好的效果，但仍存在一些可以改進(jìn)和優(yōu)化的地方。在未來(lái)的研究中，我們將關(guān)注以下幾個(gè)方面：
更豐富的數(shù)據(jù)集：為了提高模型的泛化能力，可以通過(guò)收集更多動(dòng)物種類(lèi)和場(chǎng)景的圖像數(shù)據(jù)來(lái)擴(kuò)展數(shù)據(jù)集。同時(shí)，可以嘗試使用半監(jiān)督或無(wú)監(jiān)督學(xué)習(xí)方法，以充分利用未標(biāo)注數(shù)據(jù)。
更先進(jìn)的檢測(cè)算法：隨著深度學(xué)習(xí)技術(shù)的發(fā)展，可以嘗試將更先進(jìn)的檢測(cè)算法應(yīng)用于動(dòng)物識(shí)別任務(wù)中，以提高模型的準(zhǔn)確性和實(shí)時(shí)性。
多模態(tài)信息融合：考慮到動(dòng)物識(shí)別過(guò)程中可能涉及多種模態(tài)信息，如聲音、行為等，可以研究如何將這些信息融合到模型中，以提高識(shí)別性能。
實(shí)時(shí)識(shí)別與跟蹤：針對(duì)實(shí)時(shí)視頻流的動(dòng)物識(shí)別和跟蹤任務(wù)，可以研究更高效的算法和技術(shù)，以降低延遲并提高跟蹤穩(wěn)定性。
模型部署與優(yōu)化：為了在不同平臺(tái)上實(shí)現(xiàn)高效的動(dòng)物識(shí)別，可以研究模型壓縮、硬件加速等技術(shù)，以滿(mǎn)足不同場(chǎng)景的需求。
下載鏈接
若您想獲得博文中涉及的實(shí)現(xiàn)完整全部程序文件（包括測(cè)試圖片、視頻，mlx, mlapp文件等，如下圖），這里已打包上傳至博主的面包多平臺(tái)，見(jiàn)可參考博客與視頻，已將所有涉及的文件同時(shí)打包到里面，點(diǎn)擊即可運(yùn)行，完整文件截圖如下：
在文件夾下的資源顯示如下圖所示：
注意：該代碼采用MATLAB R2022a開(kāi)發(fā)，經(jīng)過(guò)測(cè)試能成功運(yùn)行，運(yùn)行界面的主程序?yàn)镈etector_UI.mlapp，測(cè)試視頻腳本可運(yùn)行test_video.m，測(cè)試攝像頭腳本可運(yùn)行test_camera.m。為確保程序順利運(yùn)行，請(qǐng)使用MATLAB2022a運(yùn)行并在“附加功能管理器”（MATLAB的上方菜單欄->主頁(yè)->附加功能->管理附加功能）中添加有以下工具。
完整資源中包含數(shù)據(jù)集及訓(xùn)練代碼，環(huán)境配置與界面中文字、圖片、logo等的修改方法請(qǐng)見(jiàn)視頻，項(xiàng)目完整文件下載請(qǐng)見(jiàn)以下鏈接處給出：???
完整代碼下載：https://mbd.pub/o/bread/ZJiYm51v
參考視頻演示：https://www.bilibili.com/video/BV15a4y1G7yJ/
結(jié)束語(yǔ)
任何絕對(duì)的聲明程序無(wú)Bug都是不可能的，盡管我們已經(jīng)努力調(diào)試程序，確保在目前的運(yùn)行環(huán)境下沒(méi)有發(fā)現(xiàn)Bug，但計(jì)算機(jī)配置、操作系統(tǒng)、MATLAB版本等多種因素都可能影響程序的運(yùn)行。如果在運(yùn)行過(guò)程中遇到問(wèn)題，希望讀者冷靜思考、認(rèn)真檢查操作流程、科學(xué)合理尋找解決方案，不要讓浮躁和偏激影響了學(xué)習(xí)的熱忱。
由于博主能力有限，博文中提及的方法即使經(jīng)過(guò)試驗(yàn)，也難免會(huì)有疏漏之處。希望您能熱心指出其中的錯(cuò)誤，以便下次修改時(shí)能以一個(gè)更完美更嚴(yán)謹(jǐn)?shù)臉幼?，呈現(xiàn)在大家面前。同時(shí)如果有更好的實(shí)現(xiàn)方法也請(qǐng)您不吝賜教。
參考文獻(xiàn)
[1] Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 779-788).
[2] Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2014). Rich feature hierarchies for accurate object detection and semantic segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 580-587).
[3] Girshick, R. (2015). Fast R-CNN. In Proceedings of the IEEE international conference on computer vision (pp. 1440-1448).
[4] Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards real-time object detection with region proposal networks. In Advances in neural information processing systems (pp. 91-99).
[5] Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C. Y., & Berg, A. C. (2016). SSD: Single shot multibox detector. In European conference on computer vision (pp. 21-37). Springer, Cham.
[6] Lin, T. Y., Goyal, P., Girshick, R., He, K., & Dollár, P. (2017). Focal loss for dense object detection. In Proceedings of the IEEE international conference on computer vision (pp. 2980-2988).
[7] Everingham, M., Van Gool, L., Williams, C. K., Winn, J., & Zisserman, A. (2010). The Pascal visual object classes (VOC) challenge. International journal of computer vision, 88(2), 303-338.
[8] Lin, T. Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., ... & Zitnick, C. L. (2014). Microsoft COCO: Common objects in context. In European conference on computer vision (pp. 740-755). Springer, Cham.
[9] Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., ... & Berg, A. C. (2015). Imagenet large scale visual recognition challenge. International journal of computer vision, 115(3), 211-252.
[10] Redmon, J., & Farhadi, A. (2017). YOLO9000: better, faster, stronger. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 7263-7271).
[11] Redmon, J., & Farhadi, A. (2018). YOLOv3: An incremental improvement. arXiv preprint arXiv:1804.02767.
[12] Bochkovskiy, A., Wang, C. Y., & Liao, H. Y. M. (2020). YOLOv4: Optimal speed and accuracy of object detection. arXiv preprint arXiv:2004.10934.
[13] Geiger, A., Lenz, P., & Urtasun, R. (2012). Are we ready for autonomous driving? The KITTI vision benchmark suite. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 3354-3361).
[14] Sindhu V S. Vehicle identification from traffic video surveillance using YOLOv4[C]//2021 5th International Conference on Intelligent Computing and Control Systems (ICICCS). IEEE, 2021: 1768-1775.
[15] Shewajo F A, Fante K A. Tile-based microscopic image processing for malaria screening using a deep learning approach[J]. BMC Medical Imaging, 2023, 23(1): 1-14.
[16] MathWorks. (2021). Object Detection Using YOLO v2 Deep Learning. Retrieved from?https://www.mathworks.com/help/vision/ug/object-detection-using-yolo-v2-deep-learning.html.
