# Project-of-Machine-Vision-Course

**Repository Path**: yueke2016/Project-of-Machine-Vision-Course

## Basic Information

- **Project Name**: Project-of-Machine-Vision-Course
- **Description**: ############
实训参考项目
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2022-07-06
- **Last Updated**: 2022-07-07

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# -
基于SSD算法的商品识别与自动计价系统

实现效果：

![image](https://github.com/hubooooo/Project-of-Machine-Vision-Course-/blob/master/result.PNG)

单物品识别:

![image](https://github.com/hubooooo/Project-of-Machine-Vision-Course-/blob/master/singletest.jpg)

![image](https://github.com/hubooooo/Project-of-Machine-Vision-Course-/blob/master/singletestResult.JPG)

算法流程：

1.Prior box matching

2.Loss function

3.Data amplification

4.Forecasting process

5.Performance evaluation

具体实施:

①Data preparation 
to generate our own datasets and make labels

②Perform training 
to modify the default training script content of SSD to match our own dataset

③Testing 
to test different combinations of several types of items.

***************************************************************

遇到的实际问题：

商品被遮挡时能否检测？

解决方案-----some tricks of SSD:

·Data augmentation

·Default box

·Hard negative mining

***************************************************************

【补充点】 YOLO与SSD：

YOLO存在三个缺陷：

1.两个bounding box功能的重复降低了模型的精度；

2.全连接层的使用不仅使特征向量失去了位置信息，还产生了大量的参数，影响了算法的速度；

3.只使用顶层的特征向量使算法对于小尺寸物体的检测效果很差。

为了解决这些问题，SSD应运而生。SSD的全称是Single Shot MultiBox Detector，Single Shot表示SSD是像YOLO一样的单次检测算法，MultiBox指SSD每次可以检测多个物体，Detector表示SSD是用来进行物体检测的。

相比Yolo，SSD采用CNN来直接进行检测，而不是像Yolo那样在全连接层之后做检测。其实采用卷积直接做检测只是SSD相比Yolo的其中一个不同点，另外还有两个重要的改变，一是SSD提取了不同尺度的特征图来做检测，大尺度特征图（较靠前的特征图）可以用来检测小物体，而小尺度特征图（较靠后的特征图）用来检测大物体；二是SSD采用了不同尺度和长宽比的先验框（Prior boxes, Default boxes，在Faster R-CNN中叫做锚，Anchors）。