本篇記錄如何使用自己的資料集，利用YOLO進行訓練 Step 0: Environment setting 下載 darknet git clone https://github.com/AlexeyAB/darknet.git 編譯 Yolo (根據自身電腦環境，修改 Makefile) 參考 https://github.com/AlexeyAB/darknet#how-to-compile-on-linux-using-make Step 1: Label data

華邦 security 介紹文件: https://pcsnas.iottalk.tw:5001/sharing/mM1s0F65j :memo: 若非使用外掛的 security flash，則可省略 Step 1. 以及 Step 2. :memo: 若 linux kernel version 非 5.x 版本，則須自行編譯 kernel 成 5.x 版本 (承德科技的工業用樹梅派已內建 5.x 版本) 機器: 工業用樹梅派 (自行外掛 security flash): user:pi password:artt25815695 機器: 工業用樹梅派 (內建security flash):

Install tmux sudo apt-get install tmux Windows 建立新的session， tmux 或自行命名session name

紀錄一些自己較陌生的名詞 :memo: 正樣本、負樣本 我們要對一張圖片進行分類，以確定其是否屬於汽車，那麼在訓練的時候: 汽車的圖片為正樣本 任何不是汽車的東西為負樣本 :memo: 難樣本、易樣本 訓練集可以分為Hard Sample和Easy Sample

Step 1: Download dataset 如果檔案太大，可以不要下載test2017.zip 以及 unlabeled2017.zip (我也僅用 train(64K images) 以及 val (26K images)做，大概就有40GB左右了) mkdir coco cd coco mkdir images cd images wget -c http://images.cocodataset.org/zips/train2017.zip wget -c http://images.cocodataset.org/zips/val2017.zip

YOLO有darknet.py，但只能讀取單張照片。因此紀錄如何使用修改darknet.py、image.c、image.h、Makefile，將YOLO的及時影像串流的辨識結果進行讀取，並做其他應用。 本環境為Python3.6，於Ubuntu1804 (64-bit才行)執行YOLOv3 下載pjreddie的YOLO，並進行編譯 (make後產生libdarknet.so) git clone https://github.com/pjreddie/darknet.git cd darknet make

論文整理 (CVPR 2017)，cited:5927 Abstract 利用CNN做影像辨識時，一般會將圖片進行反覆進行捲積與池化等步驟，產生特徵圖，最後輸出到全連接層做預測。 四種利用特徵做預測的方式:  ( a ) 將每張圖片都分別Resizes成不同大小，再進行捲積等步驟後產生feature map來進行predict。此方法預測效果好，但消耗資源高。

論文閱讀 (ECCV 2016)，cited:1530 https://github.com/richzhang/colorization Contribution 設計loss function來處理著色問題中的multimodal (單一物體可以有多種上色可能)，使上色有多樣性及合理性，而結果是否為ground truth則不是重點。 For this paper, our goal is not necessarily to recover the actual ground truth color, but rather to produce a plausible colorization that could potentially fool a human observer. 上色任務轉換為self-supervised feature learning，並在一些benchamrks中達到頂尖水平。

圖文選單 範例圖  圖文選單: 建立步驟 注意 : 此教學假設您已自行建立LineBot機器人。 Step 1 : 開啟 LINE Offcial Account Manager 並登錄後，點選您的LineBot機器人。

紀錄一些ML相關函數 :memo:CrossEntropy 二元分類為例，y表示label，y取值{+1,-1}。 當y=1(真實label是1)，會希望p越接近1越好。 假如某個樣本x預測為1這個類的概率p=0.6，那麼損失就是-log(0.6)。 p越低，loss就越大。(loss越小越好，要minimize)

紀錄一些R語言 :memo: Compiler-RStudio :heavy_check_mark: User Interface 左上：程式碼 左下：顯示變數、Import dataset (選from text(bese)，路徑要英文) 右上：Console (顯示結果) 右下：可顯示plot、package