前言由于毕业设计就是基于KV260搞智能监控那一套，因此主要关注深度学习应用这一块，硬件部门涉及比较少。通过Vitis AI官方手册可知，成功完成一个深度学习应用需要四个步骤：模型训练、量化、编译、部署。笔者就以YOLOv4模型为例进行一个演示，看看整个过程是否有坑！模型训练之前比较熟悉darknet，所以直接基于darknet框架进行yolov4模型的训练，而且将检测类别数改为1,（人体）。训练
使用vmware虚拟机1、安装python2，安装虚拟环境3，创建虚拟环境4，进入虚拟环境5，安装依赖包6，安装 YOL
目录1.环境准备2.开始搭建1. 安装anaconda：（请参考这位大佬做法，不过建议不要换源） 2.可以选择为yolov5 单独创建一个环境（点击creat，然后重新安装包，大佬教程有）3.conda 安装 4.yolov5 require 安装—————————至此，所有准备工作完成———————— 3.文件布局1.新建一个文件夹名字自取（我
yolov8的使用和改进第一章：yolov8命令行运行参数详解，运行方式的改进（符合yolov5的风格）系列目录yolov8的使用和改进前言一、yolov8参数含义二、参数管理和代码运行方式的改进1.yolov8的运行示例2.yolov8运行代码的改进总结前言这篇主要介绍yolov8的参数含义以及命令行运行方式的改进，yolov8的参数含义与yolov5大致相似，但是运行方式又有所不同，这对于用惯
win10下yolo环境配置（GPU+CPU）1.无GPU版本 vs2015+opencv3.21.1安装vs2015首先需要下载vs，有vs2015最好，如果使用vs2017的话，需要下载v140工具集。我之前安装了vs2017，便偷个懒。1.2安装opencv3.4.0下载源：（ps：速度着实有些慢）https://sourceforge.net/projects/opencvlibrary/
YOLOv8依旧是Ultralytics的巨作，这是备受赞誉的实时对象检测和图像分割模型的最新版本。 YOLOv8 建立在深度学习和计算机视觉的前沿进步之上，在速度和准确性方面提供无与伦比的性能。 其流线型设计使其适用于各种应用程序，并可轻松适应从边缘设备到云 API 的不同硬件平台。yolov8的推理速度对比如下，极大的提高了训练速度。1、安装：官方提供了两种形式的安装方法，这里如果只是玩玩的话
YOLOv8实操：环境配置/自定义数据集准备/模型训练/预测引言1 环境配置2 数据集准备3 模型训练4 模型预测 安装ultralyticsgit clone https://github.com/ultralytics/ultralytics
cd ultralytics
pip install -e .2 数据集准备针对检测的数据集准备可以参考笔者的博客，这里不再赘述了&nbs
为了写这一篇文章，我是从新创建了一个虚拟环境，一边配置一边记录。一来时记录一下之前的入的坑，二来是为了方便后来学习者。话不多说，进入主题----------------yolov5 github链接https://github.com/ultralytics/yolov5Anaconda创建虚拟环境conda create -n yolov5_pro python==3.7上面的bash指令是创建
实验环境：Ubuntu 18.4.0.1文本编辑器：Vscodeyolo官网上，调用主函数的命令如下：./darknet detect cfg/yolov3.cfg cfg/yolov3.weights data/person.jpg可以看出输入的参数分别是（他们都是以字符串形式输入的）：0：./darknet 1：detect 2：cfg/yolov3.cfg
yolo v4源码是开源的，在github上可以下载，并且有很详细的使用说明，本文只是针对windows下环境的安装进行介绍。一、环境搭建本节将进行windows下环境的搭建，我们将需要安装下面各个软件，并且需要注意安装的软件是有版本要求的：Requirements for Windows, Linux and macOS
CMake >= 3.18: https://cmake.org/d
转载
2023-09-12 17:38:13
372阅读
目录前言基础概念和知识汇集什么是PyTorchPytorch与CUDA的关系windows下 为不同虚拟环境配置不同的cuda使用Anaconda管理多个版本的Python环境如何将Anaconda下的python更新到指定版本CUDA与cuDNN的关系pyTorch环境配置及安装anaconda虚拟环境管理，从此Python版本不用愁Ubuntu下使用conda在虚拟环境中安装CUDA、CUDN
yolov5 （Macre）目录 文章目录yolov5 （Macre）一、yolov5介绍1 四种网络模型2 yolov5 输入结构2.1 **Mosaic数据增强**2.2 **自适应锚框计算**2.3 **自适应图片缩放**3 Backbone 主干网3.1 **Focus结构**3.2 **CSP结构**4 Neck5 输出端5.1 **Bounding box损失函数**5.2 **nms
YOLOv4中相关优化方法1.Bag of freebies（增加训练时间，不影响推理速度下提升性能）1.1 数据增强：亮度、对比度、色调、饱和度、噪音等随机缩放、裁剪、翻转、旋转等模拟遮挡random erase or CutOut: 随机将图像中的矩形区域随机填充像素值或置零MixUp：将两张图像按照一定比例因子进行叠加融合，该比例因子服从B分布。融合后的label包含两张图像的所有标签。Cu
YOLO v4它来了，速度效果双提升，研究者对比了 YOLOv4 和当前最优目标检测器，发现 YOLOv4 在取得与 EfficientDet 同等性能的情况下，速度是 EfficientDet 的二倍！此外，与 YOLOv3 相比，新版本的 AP 和 FPS 分别提高了 10% 和 12%。迅速引起了 CV 社区的关注。 YOLO v4 论文：https://arxiv.org/abs/2004
下载代码，编译git clone https://github.com/AlexeyAB/darknetcd darknetmake下载预训练
原创
2022-12-02 21:14:58
131阅读
...
转载
2021-09-27 22:06:00
212阅读
2评论
1、安装Linux操作系统 2、安装关系型数据库MySQL 3、安装大数据处理框架Hadoop，查看IP ...
转载
2021-10-22 13:03:00
97阅读
2评论
1.安装虚拟机完成 2.安装Linux操作系统完成 3.安装关系型数据库MySQL完成 4.安装大数据处理框架Hadoop ...
转载
2021-09-26 23:28:00
97阅读
2评论
...
转载
2021-09-27 12:06:00
147阅读
2评论
...
转载
2021-09-29 21:37:00
67阅读
2评论
