朝西村小江网站建设,中科建声公司简介,科技进步法,做企业商城网站要多少钱不系安全带抓拍自动识别系统通过yolo系列算法框架模型利用高清摄像头#xff0c;不系安全带抓拍自动识别算法对高空作业场景进行监控#xff0c;当检测到人员未佩戴安全带时会自动抓拍并进行告警记录。YOLO系列算法是一类典型的one-stage目标检测算法#xff0c;其利用ancho…不系安全带抓拍自动识别系统通过yolo系列算法框架模型利用高清摄像头不系安全带抓拍自动识别算法对高空作业场景进行监控当检测到人员未佩戴安全带时会自动抓拍并进行告警记录。YOLO系列算法是一类典型的one-stage目标检测算法其利用anchor box将分类与目标定位的回归问题结合起来从而做到了高效、灵活和泛化性能好所以在工业界也十分受欢迎接下来我们介绍YOLO 系列算法。Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测核心思想就是利用整张图作为网络的输入直接在输出层回归 bounding box边界框 的位置及其所属的类别。
Yolo意思是You Only Look Once它并没有真正的去掉候选区域而是创造性的将候选区和目标分类合二为一看一眼图片就能知道有哪些对象以及它们的位置。Yolo模型采用预定义预测区域的方法来完成目标检测具体而言是将原始图像划分为 7x749 个网格grid每个网格允许预测出2个边框bounding box包含某个对象的矩形框总共 49x298 个bounding box。我们将其理解为98个预测区很粗略的覆盖了图片的整个区域就在这98个预测区中进行目标检测。
YOLO的结构非常简单就是单纯的卷积、池化最后加了两层全连接从网络结构上看与前面介绍的CNN分类网络没有本质的区别最大的差异是输出层用线性函数做激活函数因为需要预测bounding box的位置数值型而不仅仅是对象的概率。所以粗略来说YOLO的整个结构就是输入图片经过神经网络的变换得到一个输出的张量根据YOLO的设计输入图像被划分为 7x7 的网格grid输出张量中的 7x7 就对应着输入图像的 7x7 网格。或者我们把 7x7x30 的张量看作 7x749个30维的向量也就是输入图像中的每个网格对应输出一个30维的向量。如下图所示比如输入图像左上角的网格对应到输出张量中左上角的向量。 Adapter接口定义了如下方法
public abstract void registerDataSetObserver (DataSetObserver observer)
Adapter表示一个数据源这个数据源是有可能发生变化的比如增加了数据、删除了数据、修改了数据当数据发生变化的时候它要通知相应的AdapterView做出相应的改变。为了实现这个功能Adapter使用了观察者模式Adapter本身相当于被观察的对象AdapterView相当于观察者通过调用registerDataSetObserver方法给Adapter注册观察者。
public abstract void unregisterDataSetObserver (DataSetObserver observer)
通过调用unregisterDataSetObserver方法反注册观察者。
public abstract int getCount () 返回Adapter中数据的数量。
public abstract Object getItem (int position)
Adapter中的数据类似于数组里面每一项就是对应一条数据每条数据都有一个索引位置即position根据position可以获取Adapter中对应的数据项。
public abstract long getItemId (int position)
获取指定position数据项的id通常情况下会将position作为id。在Adapter中相对来说position使用比id使用频率更高。
public abstract boolean hasStableIds ()
hasStableIds表示当数据源发生了变化的时候原有数据项的id会不会发生变化如果返回true表示Id不变返回false表示可能会变化。Android所提供的Adapter的子类包括直接子类和间接子类的hasStableIds方法都返回false。
public abstract View getView (int position, View convertView, ViewGroup parent)
getView是Adapter中一个很重要的方法该方法会根据数据项的索引为AdapterView创建对应的UI项。
