使用的版本是AlexyAB的模型，训练完成后在darknet目录下运行下列命令行
xxx@xxx:~/darknet$ ./darknet detector map./cfg/voc.data cfg/yolov4.cfg backup/yolo-obj_last.weights
注意：其中voc.data我是修改过内容的，可以根据自己的文件夹名称替换。另外yolo-obj_last.weights是在backup目录下，名称也是实现自定义好的，根据自己的文件名进行修改，也可以使用best.weights。
运行结果图如下：
版权声明：本文为CSDN博主「布什先生.」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/scsym/article/details/113825432
V1：以mask rcnn为基础，基于分割来进行端到端的文本识别。mask分支不仅能预测分割图来分割文本区域还可以预测字符概率图。 V2：在v1基础上在识别部分加入空间注意力以提升框架的文本识别能力。
摘要：
该文提出一种“网路扩展(Network Scaling)”方法，它不仅针对深度、宽度、分辨率进行调整，同时调整网络结果，作者将这种方法称之为Scaled-YOLOv4。
由此得
前言 本篇是mmdetection源码解读第二篇，主要讲解mmdetection是初始化数据类的。本文以coco数据集为例，当然，源码解读不可能面面俱到，重要的是揣摩设计者的思想以及实现过
在人工智能领域，机器学习的效果需要用各种指标来评价。当一个目标检测模型建立好了之后，即模型训练已经完成，我们就可以利用这个模型进行分类识别。那么该如何去评价这个模型的性能呢？ 今天我们从交
暂无评论