【高大上的YOLOV3对象检测算法，使用python也可轻松实现】
继续我们的目标检测算法的分享，前期我们介绍了SSD目标检测算法的python实现以及Faster-RCNN目标检测算法的python实现以及yolo目标检测算法的darknet的window环境安装，本期我们简单介绍一下如何使用python来进行YOLOV3的对象检测算法
YOLOV3的基础知识大家可以参考往期文章，本期重点介绍如何使用python来实现
1、初始化模型
14-16行：
模型的初始化依然使用cv下的DNN模型来加载模型，需要注意的是CV的版本需要大于3.4.2
5-8行：
初始化模型在coco上的label以便后期图片识别使用
10-12行：
初始化图片显示方框的颜色
2、加载图片，进行图片识别
输入识别的图片进行图片识别，这部分代码跟往期的SSD以及RCNN目标检测算法类似
19-20行：输入图片，获取图片的长度与宽度
25-29行：计算图片的blob值，输入神经网络，进行前向反馈预测图片
只不过net.forward里面是ln，神经网络的所有out层
3、遍历所有的out层，获取检测图片的label与置信度
遍历out层，获取检测到的label值以及置信度，检测到这里YOLOV3以及把所有的检测计算完成，但是由于yolov3对重叠图片或者靠的比较近的图片检测存在一定的问题，使用YOLOV3使用非最大值抑制来抑制弱的重叠边界
竟然把墨镜识别了手机，体现了YOLOV3在重叠图片识别的缺点
4、应用非最大值抑制来抑制弱的重叠边界，显示图片
56：使用非最大值抑制来抑制弱的重叠边界
58-59行：遍历所有图片
61-62行：提取检测图片的BOX
64-68行：显示图片信息
70-71行：显示图片
利用python来实现YOLOV3，与SSD以及RCNN代码有很多类似的地方，大家可以参考往期的文章进行对比学习，把代码执行一遍
进行视频识别的思路：从视频中提取图片，进行图片识别，识别完成后，再把识别的结果实时体现在视频中，这部分代码结合前期的视频识别，大家可以参考多进程视频实时识别篇，因为没有多进程，检测速度很慢，视频看着比较卡
1、初始化模型以及视频流
2、从视频中提取图片，进行图片的blob值计算，进行神经网络的预测
3、提取检测到图片的置信度以及ID值
4、应用非最大值抑制来抑制弱的重叠边界，显示图片
5、关闭资源，显示图片处理信息
每个目标检测算法都有自己的优缺点，个人感觉，在精度要求不是太高的情况下SSD检测算法可以实现较快的速度实现，毕竟精度差不多的情况下，我们希望速度越快越好
【yolo是什么】
YOLO是一种流行的物体检测算法，全称为YouOnlyLookOnce。
YOLO（YouOnlyLookOnce）是一种流行的物体检测算法，它被广泛应用于图像和视频处理领域。与其他传统的物体检测算法相比，YOLO算法拥有更快的速度和更高的精度，在许多应用场景中都得到了广泛的应用。下面我们将从YOLO算法的原理、优点和应用方面来逐一介绍。
YOLO算法最初由JosephRedmon等人提出，目标是实现一种快速而准确的物体检测方法。与传统的物体检测算法通过区域提取、特征图生成、分类和回归等方式逐步完成目标检测不同，YOLO算法直接在输入图像上进行处理。
将目标检测问题转化为使用卷积神经网络（CNN）对整张图片进行分类和回归。从而减少了检测任务中涉及的多个模块，大大提高了检测速度和准确率。
YOLO算法的一个重要特点是其速度比传统算法更快。一般而言，传统方法需要将原始图像划分为不同的区域，再对每个区域提取特征，最后再对特征进行分类和回归。相比之下，YOLO只需要一次处理便可以完成整幅图像的物体检测，这种一次性的处理方式大大提高了其速度。
除了速度快之外，YOLO算法还具有更高的准确率，这一点得益于其所使用的实时目标检测思想。在YOLO中，网络将图像分成SxS个网格，并且每个网格会负责检测特定类别的物体。
对于每个网格，算法会同时输出物体的分类和位置信息，从而实现对物体进行定位和识别的功能。同时，为了提高准确率，YOLO算法还使用了多层卷积特征来提取高质量的特征信息。
相比于其他传统的物体检测算法，YOLO算法在处理速度和准确率方面都表现出了明显的优势。它被广泛用于视频监控、人脸识别、机器人控制等领域，成为了近年来最流行的物体检测算法之一。
此外，在YOLO算法的基础之上也有不断的改进和扩展，比如YOLOv2,YOLOv3等版本。这些改进版除了提高了检测速度和准确率之外，还增加了一些新的功能和特性。
总之，YOLO算法是一种快速而准确的物体检测方法，在图像和视频领域都得到了广泛的应用。其所具有的实时目标检测思想和卷积神经网络等技术手段为物体检测技术的发展带来了重大的突破和进步。
【求T检测算法（T和P的值）SPSS算】
这是卡方检验
卡方检验
你的数据应该用交叉列联表做，数据录入格式为：建立两个变量，变量1是组别，
正常对照组用数据1表示，病例组用数据2表示；变量2是疗效等分类变量，用1表示分类属性1，用2表示分类属性2，
还有一个变量3是权重，例数
数据录入完成后，先加权频数后点analyze-descriptivestatistics-crosstabs-把变量1选到rows里
，把变量2选到column里，然后点击下面的statistics，打开对话框，勾选chi-squares，
然后点continue，再点ok，出来结果的第3个表就是你要的卡方检验，第一行第一个数是卡方值，
后面是自由度，然后是P值。
【双向测量算法有哪些】
算法有twr定位算法、toa算法。
twr定位算法的全称是twowayranging，是一种双向测距定位算法。
toa算法全称是timeofarrival，通过测量被测UWB定位标签B与已知位置基站P1，P2，P3间的报文传输时间，计算出距离。
真正的免费测算法相关文章：