开发前准备在这里先梳理一下整个脚本开发用到的东西：python解释器 / 3.7.4版本pycharm / 版本随意pytorch / 最好10.2版本 / 11.3版本yolov5代码文件 / 6.0版本anaconda / 版本随意一、虚拟环境的创建该部分会用到anaconda prompt，具体操作如下：如图所示，打开anaconda prompt后默认的环境会在base环境下 所以我们需要
转载
2024-08-08 20:21:56
204阅读
本人最近在学习yolov3相关的知识，但无奈自己的电脑算力有限，就在矩池云租了个服务器，我个人有比较喜欢服务器的可视化所以租的配置和和镜像选择是 关于如何让服务器可视化可参考矩池云上给的教程点开这个 1.然后接下来就是进入之后环境的配置了 进入之后我们的第一步是创建一个终端新用户，因为服务器第一次进入的时候只有root一个权限用户，如果在该权限用户下载的文件权限都很高，如果要修改这些文件就不能
转载
2024-09-06 08:27:16
128阅读
python使用yolov3/yolov3-tiny训练好的权重文件.weights进行行人检测，批量测试自定义文件夹下的图片并输出至指定文件夹目录一、写在开头最近在做毕业设计，研究的是目标识别与追踪，前段时间打算只用opencv识别个简单的目标就算了，但参考着论文硬着头皮撸了一星期的图片预处理，到了后面的识别部分，实在做不下去了，太南了！也不知道怎么具体去改其中的一些参数(数学不太好，害...)
转载
2024-07-29 17:26:26
243阅读
Contents1 绪论2 YOLO算法思想2.1 YOLO算法的大致流程2.2 YOLO算法的详细思路3 YOLO网络结构4 网络训练4.1 损失函数分析4.2 网络训练细节5 pytorch实现YOLOv1 1 绪论 Yolo算法是运用于目标检测的一种算法，其全称是You Only Look Once: Unified, Real-Time Object Detection，从该论文
转载
2024-05-23 21:32:38
106阅读
YOLOv5一、输入端1. Mosaic数据增强：CutMix 数据增强：随机生成一个裁剪框Box，裁剪掉A图中的相应位置，然后用B图相应位置的ROI放到A中被裁剪的区域中形成新的样本。采用加权求和的方式计算损失，将A区域中被cut掉的位置随机填充训练集中其他数据的区域像素值，分类结果按一定比例分配。Mosaic数据增强：对四张图片进行拼接，每一张图片都有其对应的框框，将四张图片拼接之后就获得一张
Windows环境下的YOLOv4目标检测(NVIDIA版) 1、环境配置环境准备：Win10、CUDA11.5、cuDNN8.3.0、Visual Studio 2019、OpenCV 3.4（1）Visual Studio2019企业版安装（安装很简单，此过程略过）（2）NVIDIA驱动下载与安装 （3）下载并安装CUDA11.5，下载安装cuDNN8
yolov6训练自己的数据记录+yolov5对比测试美团最近发布了yolov6版本，恩，不管怎么说，还是实验一下效果怎么样吧。以下博文为实验过程记录。 代码：https://github.com/meituan/YOLOv6一、电脑配置1.Ubuntu20 2.Cuda 11.2 + cudnn二、环境配置下载代码和环境配置 下载代码解压后，使用pycharm打开yolov6文件夹，因为yolov
一，Scaled YOLOv4摘要1，介绍2，相关工作2.1，模型缩放3，模型缩放原则3.1，模型缩放的常规原则3.2，为低端设备缩放的tiny模型3.3，为高端设备缩放的Large模型4，Scaled-YOLOv44.1，CSP-ized YOLOv44.2，YOLOv4-tiny4.3，YOLOv4-large5，实验总结参考资料毕设项目演示地址: 链接
毕业项目设计代做项目方向涵盖：基于Py
转载
2024-07-29 14:44:07
190阅读
yolov7代码仓库：GitHub - WongKinYiu/yolov7: Implementation of paper - YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors本人认为yolov7有三个重要的配置文件第一个是cfg→training下面的yolov7
转载
2024-08-13 08:44:03
65阅读
本篇博客主要是对于train文件以及yolov5s.yaml文件进行讲解，yolov5代码虽然一直有在更新但整体的框架基本相似。1.Usage该部分是作者的一个说明。 第一行表示我们传入的data数据集是coco128数据集，权重模型是yolov5s模型，–img表示图片大小640，第二行与第一行的主要区别在于，第一行是在加载yolov5s的权重基础上进行训练，而第二行是在配置yolov5s网络结
转载
2024-05-15 08:52:03
229阅读
先放本人准备的资源：（不定期更新，上次更新时间：2023/9/6）katago引擎(v1.13.0，GPU，windows)+权重压缩包。阿里云盘下载 权重是目前katago自对战评级的顶级版本之一（kata1-b18c384nbt-s7192213760-d3579182099）。sabaki安装包(v0.52.2，windows)，自带中文。阿里云盘下载
以上资源分别来自开源地址：
https
在新的YOLO5代码中，其中的超参数设置文件已经变成了5个，如下：放在data文件夹下得hyps文件夹中。 作者对于这些文件的解释如下：这是什么意思呢？可以翻译为中文看看：这样是不是就比较清楚了。这个文件的调用命令在train.py里面，如下： 那么我们接下来看看这个 hyp.scratch-med.yaml超参数设置文件里面都有些什么内容吧。#YOLOv5 ? by
转载
2024-03-27 14:06:21
58阅读
提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 主题如何下载代码，就不过多交代，网上都有，这里我们直奔主题，在对下载后的压缩包进行解压后，整个项目的文件结构入下图所示：1 .github文件夹.github文件夹打开后有两个文件夹如下图所示：这两个文件夹我也不知道有什么作用，因为在用的过程中没有涉及到这两个文件，所以也没有太关注。
转载
2024-06-13 21:49:14
265阅读
Contents1 绪论2 Better3 Faster（从网络框架角度）4 Stronger YOLOv2的论文全名为YOLO9000: Better, Faster, Stronger，是对于yolov1的改进。1 绪论 这篇论文的主要工作有：使用一系列的方法对YOLOv1进行了改进，在保持原有检测速度的同时提升精度得到YOLOv2；提出了一种目标分类与检测的联合训练方法，同时在CO
一、YOLOV5模型介绍data：主要是存放一些超参数的配置文件（这些文件（yaml文件）是用来配置训练集和测试集还有验证集的路径的，其中还包括目标检测的种类数和种类的名称）；还有一些官方提供测试的图片。如果是训练自己的数据集的话，那么就需要修改其中的yaml文件。但是自己的数据集不建议放在这个路径下面，而是建议把数据集放到yolov5项目的同级目录下面。models：里面主要是一些网络构建的配置
YoloV3学习笔记（三）： 文章目录YoloV3学习笔记（三）：1.训练部分2.侦测部分代码 直接上代码：1.训练部分 因为我们最后输出的是N 24 H W的格式，其中24 = 3×8 8表示：置信度，回归，分类 置信度采取：二分类交叉熵 回归采取：BCE 分类采取：多分类交叉熵 3表示：3个框。from torch import nn,optim
import
转载
2024-09-13 13:55:34
116阅读
[net]
batch=64 每batch个样本更新一次参数。
subdivisions=8 如果内存不够大，将batch分割为subdivisions个子batch，每个子batch的大小为batch/subdivisions。
在da
转载
2024-10-31 09:47:56
130阅读
训练后在runs/train文件下生成了包含这些文件或文件夹：一、 weights文件：训练后会得到一个权重文件（weights），weights文件是YOLOv7模型的核心，它保存了模型的训练结果，也就是训练好的模型，是进行目标检测的必要文件。该文件内包括best.pt和last.pt，一般使用best.pt去进行推理。这个文件包含了训练好的神经网络的参数，这些参数描述了神经网络的结构和权重，可
转载
2024-05-13 12:20:36
1222阅读
1、代码下载代码链接： https://github.com/ultralytics/ultralytics权重链接： https://github.com/ultralytics/assets/releases注意：YOLOv8在代码仓库的名字叫作ultralytics，而并非yolov8下载：点击右上角的绿色Code按钮，再点击Download，即可完成代码下载解压之后添加到pycharm工程
转载
2024-08-21 22:07:20
910阅读
如果你已经有了一个 YOLOv5 的模型权重，要使用新的图像数据进行优化，您可以使用以下方法来获得新的模型权重： 1.重新训练模型：将新的图像数据与原有的图像数据一起作为训练数据，以更快的速度重新训练模型。 2.增量式学习：在原有的模型权重的基础上，通过训练新的图像数据来进行更新。 3.迁移学习：使用一个预先训练的模型作为初始权重，并对其进行微调，以快速适应新的图像数据。迁移学习（Trans
