- 综合排序
- 最热优先
- 最新优先
- 来自专栏千行百业数据集中心
roi区域识别 指定区域检测 区域入侵检测及停留时长统计
区域入侵检测项目概述主要展示了一个利用计算机视觉分析等待时间以及监测物体或人员在视频帧预定义区域停留时长的实践演示，适用于零售分析或交通管理等领域。 enter完成当前多边形绘制、escape取消当前多边形绘制、q退出绘图窗口、s保存区域配置视频与流处理脚本inference_file_example：使用Roboflow推理模型对视频文件进行目标检测 source_video_path：源视频文件路径--model_id：Roboflow模型ID--classes：要跟踪的类别ID列表（为空则跟踪所有类别）--confidence_threshold：检测的置信水平 类似，多了--rtsp_url（视频流的完整RTSPURL）ultralytics_file_example：使用UltralyticsYOLOv8模型对视频文件进行目标检测-部分参数与inference_file_example 模型权重文件路径，默认’yolov8s.pt’）、--device（计算设备，默认’cpu’）ultralytics_stream_example：使用UltralyticsYOLOv8模型在视频流上运行目标检测
1400编辑于 2026-06-06 - 来自专栏半杯茶的小酒杯
目标检测(Object Detection)-Faster RCNN中的ROI Pooling Layer
什么是ROI Pooling ROI(Region Of Interest)是从目标图像中识别出的候选识别区域。 Faster RCNN架构 ROI Pooling算法 ROI Pooling不同于CNN 网络中的池化层，它通过分块池化的方法得到固定尺寸的输出。 2x2 ROI Pooling Layer 如上图所示，假设Feature Map大小为4x4，候选ROI区域大小为3x3，通过2x2的ROI Pooling Layer得到2x2的归一化输出。 4个划分后子窗口分别为1、2、3、5(5最大)，3、7(7最大)，9、10(10最大)，11(11最大)，然后对每个子窗口做Max Pooling。 Faster RCNN中的ROI Pooling ROI Pooling的输入: 1) 通过神经网络获取的固定大小的Feature Map； 2) RPN网络产生的一系列RoIs，RoIs是nx5的矩阵
2.2K31编辑于 2022-04-28 - 来自专栏小鹏的专栏
OpenCV之图像ROI与ROI操作
cy = h//2 cx = w//2 roi = src[cy-100:cy+100,cx-100:cx+100,:] cv.imshow("roi", roi) # copy ROI image = np.copy(roi) # modify ROI roi[:, :, 0] = 0 cv.imshow("result", src) # modify copy roi image[:, : , 2] = 0 cv.imshow("result", src) cv.imshow("copy roi", image) # example with ROI - generate mask src2 ("roi", roi); Mat image = roi.clone(); // modify ROI roi.setTo(Scalar(255, 0, 0)); imshow("result roi", image); // example with ROI - generate mask Mat src2 = imread(".
78920发布于 2021-07-19 - 来自专栏TGLTommyAI前沿技术论文
笔记分享 : 一文读懂3个概念 : RoI, RoI pooling, RoI Align
哈喽，大家好，今天我们一起学习一下三个重要的概念：RoI，RoI pooling 和 RoI Align 相信学习CV（Computer Vision）的同学对此并不陌生，完全理解这三个概念有助于我们掌握深度学习目标检测与识别算法 接下来，我们一起开启“RoI探险之旅” : 第一部分：RoI 1. 上帝之问：RoI是个什么鬼?? 第二部分：RoI pooling 当我们将原图上的RoI映射到feature map上之后，我们可以应用pooling。其实，这里也有一个问题：为什么要用RoI pooling ? 总结：RoI pooling最大的问题就是操作会导致数据丢失，影响整个模型分类和定位的准确性，解决方式就是引入了RoI Align。 第三部分：RoI Align 1. 什么是RoI Align ？ RoI Align 解决了 RoI pooling中的数据丢失问题，这里使得数据能够保全，没有丢失。它们之间的区别在于量化，RoI Align在data pooling中没有使用量化。 2.
21.9K1111发布于 2021-05-28 - 来自专栏深度学习和计算机视觉
RoI Pooling 与 RoI Align 有什么区别？
需要注意的一点是RoI并不等价于bounding box, 它们可能看起来像，但是RoI只是为了进一步处理而产生的候选区域。 bounding box boundding box 指的是检测目标的边界矩形框。 量化 量化(quatization)是指将输入从连续值（或大量可能的离散取值）采样为有限多个离散值的过程。 RoI Pooling = crop feature + resize feature 通过上图的容易得到，RoI Pooling的作用本质上是为了将不同尺寸的RoI特征转换为相同的特征图输出，保证特征图展开 将整个输入图片喂入基网络（如vgg, resnet等）提取图片的特征（Fast RCNN 中为vgg网络的conv5层特征）。 下图中绿色框为RoI对应的实际区域（由于经过特征尺度变换，导致RoI的坐标会可能会落到特征图的单元之间）， 蓝色框代表量化(网格对齐)后的RoI所对应的特征图。
1.4K10编辑于 2022-02-14 - 来自专栏互联网数据官iCDO
ROI已死？
流量变现的ROI永远不可能升高。流量在不断涨价，cpi却基本上很稳定。所以，ROI怎么升高呢。 4 ROI不能反映归因状况 低ROI的渠道并不一定就差，高ROI的渠道也不见得就牛逼。 如果不是纯粹流量变现的生意，那么ROI就必须结合归因看。 关于归因的相关知识和应用，欢迎大家参加宋星大课堂了解详情。 5 ROI的定义本身就无解 最难定义的实际上是“I”，即成本。 这样ROI的价值必然会下降。 ROI，但ROI早已不是营销的标的。
97920发布于 2019-10-06 - 来自专栏计算机视觉理论及其实现
RoI Pooling与RoIWrap Pooling与RoIAlign Pooling与Precise RoI Pooling
操作带来的检测精度影响越来越小。 RoI Pooling这种Pooling方法我是在Faster RCNN中看到的，该种Pooling方法采用的运算方法比较直接。下面是其计算的流程图：? 可以看出这里去掉了第二次的量化操作，进而减小了误差，也提升了检测的精度。4. 从而提升了检测的精确度。? 那么它具体是怎么搞的呢？还是用之前的例子来看看吧。 这就使得其检测精确度进一步提升。具体的差别有多大呢？可以看一下Mask RCNN中给出的实验数据。?5. Precise RoI Pooling?
1.3K20编辑于 2022-09-02 - 来自专栏燧机科技-视频AI智能分析
yolov5 摔倒检测 跌倒识别检测
摔倒检测跌倒识别检测基于YOLOv5技术来实现的图像识别，是计算机视觉的基础算法，例如VGG，GoogLeNet，ResNet等，这类算法主要是判断图片中目标的种类。 目标检测算法和图像识别算法类似，但是目标检测算法不仅要识别出图像中的物体，还需要获得图像中物体的大小和位置，使用坐标的形式表示出来。 图片mmpose不同于yolo，SSD等目标检测模型，在视频中进行关节点检测的速度要小于目标检测，即使在边缘计算的盒子上进行部署，也很难对人群进行大规模的关键点检测和判断，因此关键点检测常用于智能运动检测等小规模人群场景 ，图上所示是先使用yolo进行预判断图片openpose和其他关键点检测模型只是给出人体各个器官的点位坐标，而具体需要识别什么，就要自行通过这些坐标进行算法设计，比如引体向上计数，可以通过判断头部节点与肘部节点的坐标进行判断计数 ，对于摔倒，可以通过判断视频前后帧的头部，腰部等关节点进行检测，判断是否摔倒。
1.5K00编辑于 2022-12-05 - 来自专栏我的知识小屋
八、ROI泛洪填充
一、学习目标 了解什么是ROI 了解floodFill的使用方法 如有错误欢迎指出~ 二、了解OpenCV中图像ROI的颜色填充 2.1 了解ROI是什么 ROI指的是region of Interest cv2.floodFill(copyimg, mask, (220,420), (0, 255, 255), (5, 5, 5), (5, 5 ,5), cv2.FLOODFILL_FIXED_RANGE ) copyimg为图片；mask为遮罩；220,420为起始点；0, 255, 255为填充的颜色，为黄色；5, 5, 5为选中的起始点减去该颜色值，判断周围的颜色是否低于该值；5, 5 ,5为选中的起始点加上该颜色值 5, 5), (5, 5 ,5), cv2.FLOODFILL_FIXED_RANGE) cv2.imshow("fill_color", copyimg) cv2.waitKey (0)#等待关闭 我们也可以改变填充值的选择范围，将2个5，5，5改为50，50，50，可以明显看到效果： cv2.floodFill(copyimg, mask, (0,0), (0, 255, 255), (50,50
1.1K10发布于 2021-01-14 - 来自专栏疯狂学习GIS
ENVI感兴趣区ROI文件由XML格式转为ROI格式
本文介绍在ENVI软件中，将用户自行绘制的.xml格式的感兴趣区（ROI）文件转换为.roi格式的方法。 绘制完毕后，我们需要通过右击ROI列表，选择“Save As”保存我们刚刚绘制好的ROI文件。 可是这样保存后，软件强制设定默认的文件格式为.xml格式，而非.roi格式；如下图所示。 当然，对于新版本的ENVI软件，其虽然默认保存.xml格式的ROI文件，但也完全支持对老版本.roi格式ROI文件的读取；但有时由于一些原因，我们可能必须要将绘制好的ROI文件保存成.roi格式。 在我们的ROI文件列表中，任意选择一个ROI类型并双击，打开Region of Interest (ROI) Tool窗口。 选择我们要保存的ROI文件类别，并配置后文件名与路径。 即可看到，我们已经成功获得了.roi格式的ROI文件，即完成了由.xml格式向.roi格式的转换。 至此，大功告成。
1.6K10编辑于 2022-08-10 - 来自专栏AI深度学习求索
ROI操作：ROIPooling和ROIAlign
目标：为了使得检测网络可以输入任意size的图片，使用ROIPooling在网络中某一个阶段将不同尺度的图片ROI pooling成相同的尺度，使得fc的存在也无法写死输入图片的size。 具体计算： 下图为一张8*8的feature map，选取其中一个5*7的region输入ROIPooling输出2*2的结果。 （1）划分为2*2=4块区域 1）5/2 = 2.5 --> 2, 剩下的为3，则2+3 2）7/2 = 3.5 -->3， 剩下的为4，则3+4 （2）取每个小区域的最大值为pooling值 ? 具体计算： 下图为一张8*8的feature map，选取其中一个5*7的region输入ROIPooling输出2*2的结果。 （1）划分为2*2=4块区域 1）5/2 = 2.5 --> 2.5, 不再取整，则2.5+2.5 2）7/2 = 3.5 -->3.5，不再取整，则3.5+3.5 （2）将每小块再分为4个小区域，使用双线性插值的方法求取这四个小区域的中心点处的值
4.6K20发布于 2018-12-11 - 来自专栏AIUAI
Caffe源码 - RoI Pooling 层
RoI Pooling 层 caffe prototxt 定义： layer { name: "roi_pool5" type: "ROIPooling" bottom: "conv5" bottom: "rois" top: "pool5" roi_pooling_param { pooled_w: 6 pooled_h: 6 spatial_scale 时使用的尺度 optional float spatial_scale = 3 [default = 1]; } 根据 prototxt 定义可以看出，roi_pool5 的输入有两个，bottom bottom[1] 是 rois blob， 其类似于一个 num_rois×5num\_rois × 5 的二维矩阵，行数 num_rosi 为 bottom[1]->num()，列数为 5，其定义为 data pointer // bottom[1] 的 shape - [num_rois, 5, 1, 1], offset(1) 表示将指针移动到下一个 roi 区域.
1.1K50发布于 2019-02-18 - 来自专栏服务端技术杂谈
ROI解决什么问题？
在工作中，大家经常讨论ROI。 但，有时你会发现，ROI已经被滥用了。 有时，ROI变成了一种僵化的流程。用ROI当作挡箭牌，让不作为藏在背后，给自己的主动性差、执行力差找到了借口。 我们可以想象下，工作中什么时候大家习惯提到ROI。 其实ROI一般是用于实现某个目标的过程上。 比如目标确定了，我们要完成目标，这时才通过ROI考虑哪种实现方式最合适。 在多种方式中，我们会考虑结合自身能力、资源以达成目标成本最低的那个，那这个过程就是考虑ROI合适的那个方式。 但有些人，误将ROI当作是否树立目标的参考方式。 比如，因为ROI低，所以这个目标不成立，或者考虑不去完成这个目标。 这种就大错特错了。 因为目标是一定要完成的，ROI才是你选择最合适实现目标的那种方式的评估标准。 尽管我们知道了ROI存在于how的部分，那过度聊ROI其实也是一种偷懒的行为。 这往往是由我们对于一件事情所树立的世界观决定的。
78410编辑于 2023-03-22 - 来自专栏3D视觉从入门到精通
遮挡重叠场景下|基于卷积神经网络与RoI方式的机器人抓取检测
每个抓取都包括5个维度：（x，y，w，h，θ）。 （x，y）是中心点的坐标。 （w，h）是抓取矩形的宽度和高度。 θ是相对于水平轴的旋转角度。 对RoI进行抓取检测需要两个步骤：首先，使用RoI获得一批具有相同W×H（例如7×7）大小的RoI特征，并且所有RoI都被划分为W×H网格单元。 其次，使用抓取检测网络来检测对RoI中潜在的抓取。 因此，在每个网格单元中，抓取矩形回归量输出相对于锚点（xa，ya，wa，ha，θa）的抓取矩形（tx，ty，tw，th，tθ）的5×k偏移量和预测值 抓取矩形（x，y，w，h，θ）使用等式计算。 结果的可视化检测结果的可视化如图5所示。在每个图像中，每个检测到的对象都显示出具有最高可抓取分数的抓握。 从图5（a）可以看出，我们在对象重叠场景中提出的方法可以成功地预测属于每个目标的抓握，而不会被属于其他对象的抓取混淆。不正确的例子如图5（b）所示。
2.9K10发布于 2020-12-11 - 来自专栏机器学习AI算法工程
YOLOv5：道路损伤检测
道路损伤检测任务是对几种道路损伤进行检测，不仅要分类出损伤类别，还要定位到损伤的位置，故实质是一个目标检测问题。 项目体验地址 https://loveai.tech IMSC团队(Hedge等，来自美国南加州大学和约旦德国约旦大学)，提出方法基于 ultralytics-YOLO (u-YOLO) [YOLOv5, ，而如果用每幅图像的检测时间来衡量，该方法在检测速度方面是最差的。
2.1K50发布于 2021-07-14 - 来自专栏机器学习AI算法工程
yolov5小目标检测-提高检测小目标的检测精度
向AI转型的程序员都关注了这个号 YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。 CSP结构； Neck网络：目标检测网络在BackBone与最后的Head输出层之间往往会插入一些层，Yolov5中添加了FPN+PAN结构； Head输出层：输出层的锚框机制与YOLOv4相同，主要改进的是训练时的损失函数 YOLOv5的网络结构 github 链接 https://github.com/ultralytics/yolov5 下载之后按照其中的README.md文件进行配置和设置。 YOLOv5数据集的设置 对yolov5/data/buy.yaml文件进行配置 其中 1：yours数据集的根目录 2：代表生成yolo要求的txt文件 3: 提高小目标检测的基本思想 1、数据加强 2、滑动窗口检测：将图片分割为n个小区域分别检测，最后在concat成正常图像大小。本文也是主要介绍这种思想。
3.1K12编辑于 2024-02-05 - 来自专栏往期博文
【目标检测】YOLOv5分离检测和识别
前言 YOLO作为单阶段检测方法，可以直接端到端的输出目标对象位置和类别，而在一些大型无人机遥感等目标检测任务中，使用单阶段检测往往会产生类别预测错误的问题。 正好，YOLOv5-6.2版本提供了一个图像分类的网络，那么就可以借此将YOLOv5进行改造，分离检测和识别的过程。 然后运行detect.py，注意save-crop参数设为True，检测完之后，可以得到输出结果： 数据分类 下面进入到二阶段的图像分类的训练，在开始之前，需要拉取YOLOv5仓库的最新版本，注意不要拉取 总结 使用二阶段目标检测带来的明显好处是： 类别划分更加精准 对于虚检目标可以有效剔除 不过存在的问题是： 目标尺寸变化范围大时，很难确定输入图片的合适大小 对于图像边缘目标，容易造成误判 附录：YOLOv5s 使用python export.py --weight yolov5s.pt --include onnx将其转换成onnx格式后，可以用Netron打开查看其结构： 可以看到，yolov5s6在模型最后的输出部分新增了一个检测头
1.9K21编辑于 2022-11-14 - 来自专栏往期博文
【目标检测】YOLOv5推理加速实验：图片批量检测
前言 上篇博文探究了一下多进程是否能够对YOLOv5模型推理起到加速作用，本篇主要来研究一下如果将图片批量送入网络中进行检测，是否能对网络的推理起到加速作用。 YOLOv5批量检测源码解析 YOLOv5在训练过程中是可以进行分批次训练(batch_size>1)，然而在默认的推理过程中，却没有预留batch_size的相关接口，仍然只是单张图一张张进行检测推理 实际进行检测的代码块在yolo.py文件中的_forward_once方法。 速度比较 下面使用RTX4090单卡进行速度测试，数据集选用VisDrone的部分数据，模型选择YOLOv5s： 测试结果如下表所示： 图片数量 直接检测花费时间(s) 批量检测花费时间(s) 100 从结果可见，批量检测并没有预期的速度提升，反而比直接单张检测更慢。估计这也是为什么官方不在detect中预留多个batch检测接口的原因。
3.2K30编辑于 2023-04-12 - 来自专栏机器学习AI算法工程
yolov5人脸检测，带关键点检测
代码说明： 1，在yolov5的检测基础上，加上关键点回归分支，请先下载yolov5的工程：https://github.com/ultralytics/yolov5 2，detect_one.py是单张图片的测试代码 hyp.scatch.yaml中增加关键点loss的超参数（landmark: 0.5） (2)yolo.py中增加了关键点回归的计算 (3)face_datasets.py为人脸数据的读取方式，准备数据的格式参考yolov5的格式 ，在后面增加关键点的坐标（归一化） (4) loss.py中增加关键点回归的loss计算 (5) 链接: https://pan.baidu.com/s/1zjPIF2NZ9CGtB2iUCox6hw 关于口罩人脸的问题： 1，增加口罩人脸这个类别，建议不要直接在检测分支中增加类别。 2，应该在关键点分支额外增加一个属性分支，接一个二分类，判断有没有戴口罩。
3.2K30发布于 2021-05-11 - 来自专栏AI机器学习与深度学习算法
OpenCV-感兴趣区域ROI
本小节介绍的是ROI。 什么是ROI？ ROI(region of interest)，即感兴趣区域。感兴趣区域，就是分析图像所关注的焦点。 比如说，我们对一张图片进行人脸的识别，此时我们只需要关注图片中人脸的部分即可，也就是说此时人脸所在的区域就是我们所关注的焦点，也就是感兴趣的区域(ROI)。 提取图片中ROI 提取ROI图片名为"my_love.jpg"： ? 此时我们感兴趣的地方为美女的脸，提取图片中人脸的部分，具体代码如下： ? 提取出来的人脸部分： ? 将图片转换为了三维数组，其实提取roi，简单来说就是获取数组中指定区域的值，由于第三个维度是通道数，我们只关注整张图片中的某一区域，因此在提取的时候不需要考虑第三个维度。 可以把我们关注的区域(ROI)提取出来，相应的也可以将ROI区域合并到原始的图像中去。为了效果明显，我们将提取出来的face进行色彩空间转换，然后将转换后的face合并到原始的图像中。 ?
1.8K00发布于 2019-11-13
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号