Acquisition of Localization Confidence for Accurate Object Detection， 现代基于cnn的目标检测器依赖于包围盒回归和非最大抑制来定位对象。类标签的概率自然反映了分类的可信度，而本土化置信度却是不存在的。这使得适当的本地化包围盒在迭代回归过程中退化，甚至在NMS期间被抑制。在本文中，我们提出了IOU-网络学习来预测每个检测到的边界盒与匹配的地面真相之间的IOU。网络获得了定位的可信度，通过保持精确的定域包围盒，进一步改进了nms过
YOLO3_object_detection
带有OpenCVProstyprzykład实现工具，不适合YOLOv3 oraz tzw。 阿尔戈里特穆（Algorytmu）
Prured uruchomieniem：
Wścieżce，笔记本utworzyć产品日志YOLO。 w ^ TYM katalogunależyzapisaćpretrenowane wagi从，从模型配置文件，并从COCO标签。 将这些文件保存在该目录中。 另外，如果您选择将这些文件保存在其他位置，则可以在笔记本
udt-dataset-coco
COCO数据集，转换为UDT格式（CSV和JSON）
这些文件可以导入到通用数据工具中。
API
您可以使用API查询与字幕匹配的图像。 该API将返回有效的UDT数据集。
获取所有与标签匹配的图像
GET /api/captions?labels=cat,dog
独家获取所有与标签匹配的图像
例如猫或狗的图像，但没有包含猫和狗的图像。
GET /api/captions?labels=cat,dog&exclusive
获取不同细分的所有图像
