摄像头识别安全帽

摄像头识别安全帽佩戴依据计算机深度视觉分析以及yolov3网络模型，实时识别现场画面人员是不是戴安全帽。深度学习网络在训练时，最终是求得让损失函数达到收敛的一组权重参数，这就需要进行迭代。

假设这个网络共有三层，在计算得到一次训练的误差之后，为了更新网络第一层参数，需要使用这个误差对第一层权重求偏导，根据链式法则，误差需要先对第三层求偏导然后对第二层求偏导然后对第一层求偏导。

在YOLO系列算法中，针对不同的数据集，都需要设定特定长宽的锚点框。在网络训练阶段，模型在初始锚点框的基础上输出对应的预测框，计算其与GT框之间的差距，并执行反向更新操作，从而更新整个网络的参数，因此设定初始锚点框也是比较关键的一环。在YOLOv3和YOLOv4检测算法中，训练不同的数据集时，都是通过单独的程序运行来获得初始锚点框。

YOLO是You Only Look Once的缩写。这也是为了特别突出YOLO区别于两阶段算法的特点，从名字就可以感受到，YOLO算法速度很快，事实上也是如此。可以看出在同样的设备上，YOLO可以达到45帧每秒的速度。

 Adapter接口定义了如下方法：

public abstract void registerDataSetObserver (DataSetObserver observer) 
Adapter表示一个数据源，这个数据源是有可能发生变化的，比如增加了数据、删除了数据、修改了数据，当数据发生变化的时候，它要通知相应的AdapterView做出相应的改变。为了实现这个功能，Adapter使用了观察者模式，Adapter本身相当于被观察的对象，AdapterView相当于观察者，通过调用registerDataSetObserver方法，给Adapter注册观察者。

public abstract void unregisterDataSetObserver (DataSetObserver observer) 
通过调用unregisterDataSetObserver方法，反注册观察者。

public abstract int getCount () 
返回Adapter中数据的数量。

public abstract Object getItem (int position) 
Adapter中的数据类似于数组，里面每一项就是对应一条数据，每条数据都有一个索引位置，即position，根据position可以获取Adapter中对应的数据项。

public abstract long getItemId (int position) 
获取指定position数据项的id，通常情况下会将position作为id。在Adapter中，相对来说，position使用比id使用频率更高。