PyTorch实现联邦学习目标检测

torchvision

包含众多流行数据集和图像处理方法

目标检测算法

常见的计算机视觉任务可以归纳为图像分类、目标检测、语义分割等。
在图片数据中找到指定的物体，并能够正确定位位置，这就是典型的目标检测任务。

边界框与锚框

边界框用来描述目标位置，是一个矩形框，由左上角坐标和右下角坐标来共同确定。
在运行目标检测算法时，通常会在图像中采样多个候选区域，不同的目标检测算法所使用的采样算法也不一样，而YOLO系列算法则通过定义锚框来提取，锚框是指以每一个像素为中心，生成多个大小和宽高比不同的边界框集合

交并比（Intersection of Union）

当有多个边界框覆盖了图像中的物体时，如果该物体的真实的边界框已知，那么需要有一个衡量预测边界框好坏的指标。在目标检测领域，我们使用交并比来衡量。

基于候选区域的目标检测算法（二阶段）

第一阶段：先产生所有可能的目标候选区
第二阶段：再对候选区做分类和回归

• R-CNN
• Fast R-CNN
• Faster R-CNN

单阶段目标检测

与二阶段不同，它仅仅使用一个卷积神经网络直接预测不同目标的类别与位置，不需要预先选取候选区域，因此，在效果上，基于区域的算法要比单阶段算法准确度高，但速度较慢；相反，单阶段算法比基于区域的算法速度快，但准确率要低。

方法实现

使用Flask-SocketIO作为服务端和客户端之间的通信框架，可以轻松实现服务端和客户端的双向通信。

Flask-SocketIO基础

服务端创建

初始化服务端：

from flask import Flask,render_template
from flask_socketio import SocketIO

app=Flask(__name__)
app.config[