将最近的工作做个记录，方便日后学习回顾： 1.针对项目需求开发满足任务的模型，拿到任务就要去选相应的算法，由于是工程应用型，必须找填坑多的算法，这样遇到问题可参考的资料多。 2.做好以后，还要将开发的算法进行封装集成，要交付的是一个相对成熟的产品，所以涉及到算法和模型的部署，而不是每个应用场景都需要像开发环境一样去构建开发环境。 3.在本次模型的部署中遇到了各种各样的问题，有些细小问题无法全面记录
转载
2024-08-14 08:52:37
846阅读
论文题目：YOLOv4： Optimal Speed and Accuracy of Object Detection文献地址：https://arxiv.org/pdf/2004.10934.pdf源码地址：https://github.com/AlexeyAB/darknet 今天，使用YOLOv4对无人机进行目标检测，将自己的训练过程记录下来，总的来说，和之前Darknet的YOLOv3版
编辑器提示：环境ubuntu18.04 + anaconda下python3.8+torch1.9 ros中使用yolov5前言一、先将yolov5封装二、步骤1.创建一个新的脚本2.修改detect#修改yolov5/utils/dataset.py再次修改detect.py结果 前言提示：参考的博客： 封装yolov5: https://www.pythonheidong.com/blog/a
作为System Inside系列中的一篇，为了完成它我费了不少力气，因为GPU INSIDE的资料实在太难找了，有很多东西都是NVIDIA（本篇文章以GT200架构为实例）内部资料，没有详细公布，在网上找到的也是些零碎的东西，经过一番周折还是在脑子中形成了一个比较系统的印象，防止这个印象转瞬即逝，赶紧将它记下来。 我决定从CUDA入手，慢慢的深入到core
0x00 写在开头写这一系列文章主要是想解析yolov2的具体实现，因为在作者的论文中有很多地方没有进行详细表述，所以不看源代码的话很难知道幕后具体做了什么。另一点是学习一下别人写一个网络的思路，因为你要知道作者的代码相当于自己写了一个小型框架（函数的接口设计的可能不是非常好）。0x01 从main函数开始int main(int argc, char **argv)
{
//test_
文章目录前言一、Yolov4网络结构1.backbone：CSP Darknet-532.SPP池化3.PAN和Yolo head二、改进点1.Mosaic数据增强2.anchor偏移机制3.正负样本匹配4.Loss 前言上一篇文章我们讨论了yolov3，yolov3在速度与精度上达到了一个较好的平衡，堪称经典之作，可惜在yolov3之后的原作者Joseph Redmon因为yolo的军事应用和
转载
2024-03-22 16:11:59
169阅读
yolov8系列[四]-yolov8模型部署jetson平台 jetson平台  
转载
2024-04-15 10:11:18
654阅读
1. 背景Yolo系列的目标检测算法对目标检测技术起到绝对性的推进作用。Yolov3是YOLO(You Only Look Once)系列中的第三版，相比之前的算法，特别是针对小目标，精度总体上用显著提升。DeepStream是一个流分析工具包用于构建AI-powered应用。DeepStream接收流数据（USB/CSI camera, video from file 或者RTSP流）作为输入，
代码keras:GitHub - OlafenwaMoses/ImageAI: A python library built to empower developers to build applications and systems with self-contained Computer Vision capabilities（我用的这个，这个贼简单）网络结构图YOLOv3本身使用的是全卷积
前言：最近在做物体检测的小项目，导师让我用YOLO来做，在这里总结一下实现的过程。一、运行环境我的是Win10+VirtualBox+Ubuntu16.04，CPU跑的。之前用VS没有做成功。二、数据准备先给大家一个格式文件VOCdevkit ，可以在Win10下好后进行以下操作https://pan.baidu.com/s/1zGIgBAI4gKFApCwRkYcswg 1df51、图片准备，可
[代码解读1]YOLOV4-Pytorch----CFG文件解析[net]层[convolutional]层[ShortCut]层[route]层[YOLO]层空间金字塔池化(SPP) 作者旨在学习yolov4这一网络，所以将自己的学习记录写下来，以备之后查看，也可以给各位一起学习的小伙伴提供一些思路。有什么错误，各位大大指出，马上改正。 [net]层[net]
batch=64
转载
2024-10-26 21:11:29
29阅读
我将从新建Android工程移植Yolov5模型来讲解首先：创建一个新的工程，大家应该都会我就不过多介绍然后，打开我的安卓例程工程：这是我的例程工程链接：将工程中这两个文件粘贴复制到你自己的工程之中不用下我的，下官方的tflite模型的安卓工程也有这2个，移植进来进行然后在build.gradle中添加依赖implementation 'org.tensorflow:tensorflow-lite
转载
2024-09-27 09:41:21
478阅读
1.文章信息本次介绍的文章是发表在EUSIPCO 2021的一篇基于计算机视觉的火灾检测文章。2.摘要当今世界面临的环境危机是对人类的真正挑战。对人类和自然的一个显著危害是森林火灾的数量不断增加。由于传感器和技术以及计算机视觉算法的快速发展，提出了新的火灾探测方法。然而，这些方法面临着一些需要精确解决的限制，如类火灾物体的存在、高误报率、小尺寸火灾物体的检测和高推断时间。基于视觉的火灾分析的一个重
转载
2024-07-21 14:22:34
281阅读
本文对darknet源码中的yolov-voc.cfg重要参数详细解读说明，同时参考多个博客并融合个人理解，供初学者学习参考，谢谢！[net] #net 为特殊的层，配置整个网络 #Testing
#batch=1
#subdivisions=1
#Training
#batch=64,sub=16表示训练过程中一次性加载
文章目录1.前置知识点（浅层了解）（1）深度学习的网络模型（2）yolo-v3网络结构2.YOLO-V3权重文件(.weights)，类别文件（.names）和网络文件（.cfg）下载（1）YOLOV3权重文件下载（2）YOLOV3类别文件下载（3）YOLO.cfg配置文件下载3.代码实战（1）读取权重文件和网络配置文件（2）获取最后三个输出层的名称（3）读取包含80个类别coco.names的
转载
2024-07-30 16:58:23
226阅读
# 使用 YOLOv8 Android 模型的完整指南
在本文中，我们将学习如何在 Android 中实现 YOLOv8 模型。这是一个深度学习物体检测的项目，适合刚入行的开发者。以下是实现的主要步骤和代码示例。
## 整体流程
在进行 YOLOv8 Android 模型实现之前，我们需要明确整个流程。下面是一个简单的步骤图：
```mermaid
flowchart TD
A[准
在每次训练之后，都会在runs-train文件夹下出现一下文件，如下图：一：weights包含best.pt（做detect时用这个）和last.pt（最后一次训练模型）二：confusion1：混淆矩阵：①：混淆矩阵是对分类问题的预测结果的总结。使用计数值汇总正确和不正确预测的数量，并按每个类进行细分，这是混淆矩阵的关键所在。混淆矩阵显示了分类模型的在进行预测时会对哪一部分产生混淆。它不仅可以让
新年伊始，ultralytics 公司在 2023 年 1月 10 号开源的 YOLOv5 的下一个重
原创
精选
2023-04-28 13:29:03
3099阅读
提供了一个全新的 SOTA 模型，包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 YOLACT 的实例分割模型。和YOLOv5 一样，基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型，用于满足不同场景需求骨干网络和 Neck 部分可能参考了 YOLO
原创
精选
2023-03-04 16:21:10
5840阅读
方法一pt转onnx，onnx转到TensorRT1.pt转onnxpytorch自带的函数import argparse
import onnx
from models.common import *
from utils import google_utils
if __name__ == '__main__':
parser = argparse.ArgumentParser()
转载
2024-10-18 22:36:20
589阅读
1评论
