這幾天我會介紹一下所謂的Convolutional Neural Networks(卷積神經網路)以及由卷積神經網路所衍生出來用於物件偵測的神經網路:Yolo...
今天要來介紹一下CNN的模型架構,先使用昨天那張圖來介紹。 我們可以將這個CNN模型分為幾個部分,分別是: Convulution Layer (卷積層)...
講完了Convolution Layer,今天來介紹Pooling Layer(池化層),池化的計算過程非常簡單,但卻非常強大。 池化可以在壓縮圖片大小的同時...
今天要介紹的是Fully Connected Layer(全連接層),全連接層通常都在神經網路的最後面,並且通常會有一到兩層,看下圖。在全連結層前的動作是在做...
在簡單了解了CNN的架構之後,今天來介紹物件偵測的模型Yolo v1(You Only Look Once),雖然現在Yolo已經出到了v5(應該?),但是從...
接續昨天的文章,今天介紹一下Yolo v1的Loss Function,由於在訓練的時候我們當然希望模型的結果是越接近正確的結果越好,但是實際上不太可能,預測和...
今天的主題是Yolo v2,不過所找到的資料圖片可能比較不好理解,有更好的再更新,Yolo v2就是v1的升級版,v2的改變如下: Batch Normal...
今天接著DAY 27下去講, Darknet-19 : 在Day 27的模型圖是Yolo v1的模型圖,並非v2的,v2採用了叫Darknet-19的模型...
今天介紹一下Yolo v3,首先在v3中使用了darknet-53的架構,架構如下圖: 相比v2的darknet-19,卷積層有53層,全連結層同樣不保留,速度...
這是我們第一次參加鐵人賽,很高興能參加這個IT鐵人賽,而且我們有完賽,或許內容沒有很完善,可能還有錯誤,但是在過程中可以將自己所接觸到的東西,透過自己的理解並...