可以不用人工打标制作目标检测数据集的方法

1、我们将样品的背景采用不反光的布料类似下图

2、使用opencv中的阈值过滤方法 提取其中的灰度值在指定范围内的部分
3、使用腐蚀处理 去除其中的干扰点
4、提取图像中的轮廓点
5、选取图中轮廓点的横纵最小最大坐标写入 voc数据集中的xml文件中即可输入深度学习网络进行实验

6、训练完目标检测网络之后识别效果如下图:

代码请参考 opencv_toturial一书

原文地址:http://blog.51cto.com/yixianwei/2096051

时间: 2024-10-03 13:28:02

可以不用人工打标制作目标检测数据集的方法的相关文章

航空遥感图像(Aerial Images)目标检测数据集汇总

常规目标检测数据集有很多,现在前沿的目标检测算法(如Faster R-CNN, Yolo, SSD, Mask R-CNN等)基本都是在这些常规数据集上实验的,但是,基于常规数据集训练的分类器,在航空遥感图像上的检测效果并不好,主要原因是航空遥感图像有其特殊性: 1,尺度多样性,航空遥感图像从几百米到近万米的拍摄高度都有,且地面目标即使是同类目标也大小不一,如港口的轮船大的有300多米,小的也只有数十米: 2,视角特殊性,航空遥感图像的视角基本都是高空俯视,但常规数据集大部分还是地面水平视角,所

CVPR2019目标检测方法进展综述

CVPR2019目标检测方法进展综述 置顶 2019年03月20日 14:14:04 SIGAI_csdn 阅读数 5869更多 分类专栏: 机器学习 人工智能 AI SIGAI 版权声明:本文为博主原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接和本声明. 本文链接:https://blog.csdn.net/SIGAI_CSDN/article/details/88687747 SIGAI特约作者 陈泰红研究方向:机器学习.图像处理 目标检测是很多计算机视觉应用的基础,

paddlepaddle目标检测之水果检测(yolov3_mobilenet_v1)

一.创建项目 (1)进入到https://aistudio.baidu.com/aistudio/projectoverview/public (2)创建项目 点击添加数据集:找到这两个 然后创建即可. 会生成以下项目: 二.启动环境,选择GPU版本 然后会进入到以下界面 选择的两个压缩包在/home/aistudio/data/下,先进行解压: !unzip /home/aistudio/data/data15067/fruit.zip !unzip /home/aistudio/data/d

【pytorch-ssd目标检测】可视化检测结果

制作类似pascal voc格式的目标检测数据集:https://www.cnblogs.com/xiximayou/p/12546061.html 训练自己创建的数据集:https://www.cnblogs.com/xiximayou/p/12546556.html 验证自己创建的数据集:https://www.cnblogs.com/xiximayou/p/12550471.html 测试自己创建的数据集:https://www.cnblogs.com/xiximayou/p/125505

基于深度学习的目标检测研究进展

前言 开始本文内容之前,我们先来看一下上边左侧的这张图,从图中你看到了什么物体?他们在什么位置?这还不简单,图中有一个猫和一个人,具体的位置就是上图右侧图像两个边框(bounding-box)所在的位置.其实刚刚的这个过程就是目标检测,目标检测就是"给定一张图像或者视频帧,找出其中所有目标的位置,并给出每个目标的具体类别". 目标检测对于人来说是再简单不过的任务,但是对于计算机来说,它看到的是一些值为0~255的数组,因而很难直接得到图像中有人或者猫这种高层语义概念,也不清楚目标出现在

雷达小目标检测

通过对雷达目标回波信号的长时间处理来提高雷达对微弱目标的检测性能一直是雷达信号处理领域的关键技术和研究热点之一.本文主要通过对雷达信号的长时间处理来提高雷达对微弱目标的检测和跟踪性能.对雷达目标回波能量进行长时间处理的前提是处理时间内目标必须位于雷达的波束照射范围内,或者处理的所有数据中都包含特定目标的回波.对于常规的波束扫描体制雷达,雷达信号的积累时间主要取决于目标在波束中的驻留时间.由于波束在每个指向的驻留时间有限,因此,雷达信号的积累时间取决于波束的扫描速度.波束宽度以及目标的运动特性.对

深度卷积神经网络在目标检测中的进展

作者:travelsea链接:https://zhuanlan.zhihu.com/p/22045213来源:知乎著作权归作者所有.商业转载请联系作者获得授权,非商业转载请注明出处. 近些年来,深度卷积神经网络(DCNN)在图像分类和识别上取得了很显著的提高.回顾从2014到2016这两年多的时间,先后涌现出了R-CNN,Fast R-CNN, Faster R-CNN, ION, HyperNet, SDP-CRC, YOLO,G-CNN, SSD等越来越快速和准确的目标检测方法. 基于Reg

目标检测算法总结

转自:https://www.cnblogs.com/guoyaohua/p/8994246.html 目标检测是很多计算机视觉任务的基础,不论我们需要实现图像与文字的交互还是需要识别精细类别,它都提供了可靠的信息.本文对目标检测进行了整体回顾,第一部分从RCNN开始介绍基于候选区域的目标检测器,包括Fast R-CNN.Faster R-CNN 和 FPN等.第二部分则重点讨论了包括YOLO.SSD和RetinaNet等在内的单次检测器,它们都是目前最为优秀的方法. 一.基于候选区域的目标检测

目标检测综述

这篇综述是我统计信号处理的作业,在这里分享一下,将介绍计算机视觉中的目标检测任务,论述自深度学习以来目标检测的常见方法,着重讲yolo算法,并且将yolo算法与其他的one-stage以及two-stage方法进行比较. 目录 1.介绍 2.YOLO 2.1 YOLOv1 2.2 YOLOv2 2.3 YOLOv3 3.其他方法 RCNN FastRCNN FasterRCNN SSD RetinaNet 4.实验结果比较 5.总结 参考文献 1. 介绍 目标检测在现实中的应用很广泛,我们需要检