ByteCat

使用PyTorch搭建CenterNet之一，网络结构部分。

目标检测算法一般可分为anchor-based、anchor-free两大类，区别就在于有没有利用anchor提取候选目标框。

将数据提取、图像增广等功能封装到一起，并实现批量加载。

与一般的图像增广方法略有不同，在目标检测的图像增广的过程中，还要考虑图片扭曲后框（box）的位置，也就是框的位置要跟着图像的改变进行改变。

上一个案例的数据集是目标检测中的一种特殊情况，数据提取功能比较简单，现在对其进行拓展，使之能满足大部分目标检测项目的需要。

使用Kaggle.com上的一个包含了3类蔬菜共373个已标注了目标边框的小型数据集完成目标检测的入门。

目标检测算法中有几种标识物体位置的框，本文介绍如何将其在图像中可视化呈现。

检测算法可能对同一目标产生多次检测的结果，这就需要使用某些算法对检测框去重。

IoU又名交并比，是一种计算不同图像相互重叠比例的算法，时常被用于深度学习领域的目标检测或语义分割任务中。

图像识别解决了是什么的问题，目标检测解决了在哪里的问题。简单来说就是在图像识别的基础上，以包围盒（bounding box）的形式把物体框出来。