一、网络结构 整个网络分为4个部分：输入端、基准网络、Neck网络与Head输出端二、输入端：使用Mosaic数据增强操作提升了模型的训练速度和网络的精度。采用了4张图片，并且按照随机缩放、随机裁剪和随机排布的方式进行拼接而成，具体的效果如下图所示。这种增强方法可以将几张图片组合成一张，这样不仅可以丰富数据集的同时极大的提升网络的训练速度，而且可以降低模型的内存需求。 三、基准
转载
2024-05-28 11:37:24
86阅读
（1）Dropout与Batch Normalization在V1版本中使用Dropout，在前向传播时，停止一部分神经元，使模型泛化性更强，防止过拟合在V2版本中改进为BN（批量标准化），对数据进行归一化（统一格式、均衡化、去噪等），提高训练速度，提升训练效果BN在目前已经成为网络必备模块（2）更大的分辨率V1版本中训练使用224*224的分辨率，而测试使用448*448V2版本中额外加上10个
转载
2024-08-17 09:25:22
217阅读
本文分为两个部分：Ubuntu16.04安装OpenCV和部署项目地址
一、Ubuntu16.04安装OpenCV1、安装相关软件包sudo apt install build-essential
sudo apt install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev
转载
2024-07-30 19:24:26
64阅读
文章目录前言一、准备工作1、代码准备2、数据集准备2.1数据集下载2.2数据集解压及摆放二、修改结构为shufflenet1.shufflenetV22.修改yaml文件的backbone为纯shufflenet3、官方代码更改三、对照实验（backbone修改为stemblock+shufflenet）1、stemblock结构2、yaml文件修改3、相关代码修改四、训练结果1、指标对比2、图片
1、YOLOV1有两个缺点：（1）定位不够准确。（2）和基于region proposal类的方法相比找回率更低。2、Batch NormalizationYOLOV1中也有BN，但是YOLOV2在加入BN后把dropout去掉了，实验证明可以提高2%的mAP.3、High Resolution Classifier这个主要是介绍了一下检测模型的一般训练策略。一般都不会从随机初始化所有的参数开始的
深度学习的基本原理是基于人工神经网络，信号从一个神经元进入，经过非线性的activation function，传入到下一层神经元；再经过该层神经元的activate，继续往下传递，如此循环往复，直到输出层。正是由于这些非线性函数的反复叠加，才使得神经网络有足够的capacity来抓取复杂的pattern，在各个领域取得state-of-the-art的结果。显而易见，activat
转载
2024-07-11 06:49:43
347阅读
YOLO，即You Only Look Once的缩写，是一个基于卷积神经网络（CNN）的物体检测算法。而YOLO v3是YOLO的第3个版本，即YOLO、YOLO 9000、YOLO v3，检测效果，更准更强。YOLO v3的更多细节，可以参考YOLO的官网。 YOLO是一句美国的俗语，You Only Live Once，你只能活一次，即人生苦短，及时行乐。本文主要分享，
前 言：作为当前先进的深度学习目标检测算法YOLOv7，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv7的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。由于出到YOLOv7，YOLOv5算法2020年至今已经涌现出大量改进论文
转载
2024-11-01 10:32:29
265阅读
目录一、下载yolo5二、安装必要依赖三、安装pytorch四、打标图片制作数据集4.1 导入图片4.2 开始打标4.3 添加标签4.4 进行打标4.5 导出打标数据4.6 打标数据五、整理训练数据5.1 第一层目录5.2 第二层目录5.3 第三层目录六、创建配置文件七、训练数据八、验证数据集九、检测图片 一、下载yolo5首先下载源码：yolo5 github地址我下载的是最新版本：v6.1。
转载
2023-09-01 21:31:03
414阅读
1.引言前两篇博客已经完成了对于Yolov5算法的基本环境配置以及训练测试过程，本篇着重完成图形界面开发过程。前两篇博客链接如下：第一篇第二篇2.下载安装pyqt5工具包以及配置ui界面开发环境输入指令，进行下载。 点击File->Settings->External Tools进行工具添加，依次进行Qt Designer、PyUIC、PyRCC、Pyinstall环境配置。2.1 Q
转载
2023-10-20 22:01:19
421阅读
点赞
Yolov5核心基础知识1 前言2 网络结构3 核心基础知识3.1 Mosaic数据增强3.2 自适应锚框计算3.3 自适应图片缩放3.4 cost functionSummary参考文章 1 前言相对于YOLOv4，YOLOv5在原理和方法上没有做太多的改进，但是在速度和模型大小比yolov4有比较大的提升，也可以认为是牺牲了模型的大小，换来了准确率和速度的增加。接下来，从yolov5的网络结
转载
2023-08-25 23:50:57
387阅读
数据增强的13种方法：1)rectangular:在同个batch里面做rectangle宽高等比变换，加快训练（同一个batch里面拥有自己单独的宽高比）2）色调，饱和度，曝光度调整，三者调整最终得到一个综合的结果3)旋转缩放retate_scale通过一个变换矩阵进行变化变换矩阵的（0，0）（1，1）控制缩放的程度；（0，1）（1，0）控制旋转的程度，当他俩互为相反数的时候就是顶角对应平行旋转
转载
2023-09-09 19:38:45
40阅读
# 使用 PyTorch 将 SiLU 激活函数替换为 ReLU 激活函数
在深度学习中，激活函数是神经网络中不可或缺的一部分。它们负责决定神经元是否被激活，从而影响模型的学习能力和性能。本文将讨论 PyTorch 中的 SiLU（Sigmoid Linear Unit）和 ReLU（Rectified Linear Unit）激活函数，并提供将 SiLU 替换为 ReLU 的代码示例。此外，我
自制深度学习推理框架-起飞！实现我们的第一个算子ReLu本期视频位置 本期代码位置git clone https://gitee.com/fssssss/KuiperCourse.git
git checkout fouthReLu算子的介绍ReLu是一种非线性激活函数, 它有运算简单, 不会在边缘处出现梯度消失的特点, 而且它在一定程度上能够防止深度学习模型在训练中发生的过拟合现象. ReLu的
文章目录一、新的激活函数（New activation function）1.1 校正线性单元（Rectified Linear Unit）1.2 Maxout二、自适应学习率（Adaptive Learning Rate）2.1 Momentum三、提前停止（Early Stopping）四、正则化（Regularization）五、删除（dropout）5.1 Ensemble 一、新的激活
转载
2024-09-09 06:46:29
65阅读
一、前言YOLO系列是one-stage且是基于深度学习的回归方法，而R-CNN、Fast-RCNN、Faster-RCNN等是two-stage且是基于深度学习的分类方法。YOLO官网：GitHub - pjreddie/darknet: Convolutional Neural Networks1.1 YOLO vs Faster R-CNN1、统一网络：YOLO没有显示求取region pr
Python、PyTorch、TensorRT、YOLOv5、目标检测
原创
2023-06-10 05:54:37
702阅读
目录一、数据集准备二、项目配置1、安装pytorch和cuda，并创建新项目2、安装所需要的库3、运行detect.py验证4、修改yolov5命令行参数三、开始训练四、训练结果yolov5开源网址：GitHub - ultralytics/yolov5: YOLOv5 ? in PyTorch > ONNX > CoreML > TFLite一、数据集准备上面这个链接里的数据集
转载
2023-12-23 15:39:41
187阅读
学习要求¶
了解C3结构，方便后续YOLOv5算法的学习 一、前期工作准备部分¶
1、设置GPU¶
In [1]:import torch
import torch.nn as nn
import torchvision.transforms as transforms
import torchvision
from
转载
2023-12-18 22:52:37
125阅读
