二、训练部分 1、计算loss所需参数在计算loss的时候，实际上是y_pre和y_true之间的对比：y_pre 就是一幅图像经过网络之后的输出，内部含有三个特征层的内容；其需要解码才能够在图上作画y_true 就是一个真实图像中，它的每个真实框对应的(13,13)、(26,26)、(52,52)网格上的偏移位置、长宽与种类。其仍需要编码才能与y_pred的结构一致y_true 是最理想的y_p
转载
2024-09-03 22:52:53
73阅读
step1: 刷机按照博客 将tx2 刷成 JetPack3.3 版本step2: 安装tensorflow安装依赖下载轮子安装tensorflow1.9.0 如下选中对应的版本： 进行安装：sudo pip3 install tensorflow_gpu-1.9.0+nv18.8-cp35-cp35m-linux_aarch64.whl至此完成tensorflow1.9.0的安装说明 至此可
转载
2024-08-20 12:37:17
40阅读
yolov5s是非常优秀的轻量级检测网络，但是有时候模型依然比较大。减少运算：原因：缩减网络输入大小，但是单纯降低输入来减少运算，例如640降低到320，对检测效果损失很大，同时模型体积依然是14M左右。改进：可以通过添加L1正则来约束BN层系数，使得系数稀疏化，通过稀疏训练后，裁剪掉稀疏很小的层，对应激活也很小，所以对后面的影响非常小，反复迭代这个过程，可以获得很compact的模型
一. 前言 作者AlexeyAB大神！ YOLOv4 拥有43.5%mAP+65FPS ，达到了精度速度最优平衡,作者团队：Alexey Bochkovskiy&中国台湾中央研究院论文链接：https://arxiv.org/pdf/2004.10934.pdf代码链接：GitHub - AlexeyAB/darknet: YOLOv4 / S
安装CUDA10.0检查系统是否满足要求有支持CUDA的GPU lspci | grep -i nvidia
支持CUDA的操作系统。（Ubuntu没有问题）
已经安装了合适版本的gcc（CUDA10.0要求7.3.0）
系统有正确的Kernel Header 执行 sudo apt install linux-headers-$(uname -r) 即可
已经卸载了有冲突的CUDA版本下载C
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
转载
2024-02-28 09:06:07
1975阅读
前言随着人工智能的发展，现在越来越多的场景需要人工智能。在工厂的厂区中以安全为首，但工人普遍缺乏佩戴安全帽意识；工厂环境复杂，有各种各样的禁止进入的区域，普通的图像识别算法很难实现；加上使用传统的人工监管存在诸多缺点。基于计算机视觉的安全帽自动识别技术设计通过在施工现场布设视频监控设备或利用现有的施工监控设备，采用机器视觉的相关方法进行安全帽的自动识别，可以实现对作业人员安全帽佩戴情况信息的全程快
最近了解并尝试在Win10安装YOLOv3，参考了十几篇文章，发现每个人都有自己的安装方式，最初尝试用cmake编译，虽然安装完成，但无法使用GPU，坑非常多，经2天努力终于安装成功，分享并记录自己的安装过程，供大家参考。系统：Win10显卡：GeForce RTX2070 with Max-Q Design其它：CUDA10.2，cuDNN7.6.5，VS2019，OpenCV3.4.0(ope
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
转载
2024-07-14 09:57:14
160阅读
本文主要参考这个网址，本文是对这个网址所遇到错误的总结0.配置深度学习环境安装之前，你要知道tensorflow的安装环境，见官网： https://tensorflow.google.cn/install/source_windows#install_visual_c_build_tools_2015 MSVC+CUDA+cuDNN+python的版本都要正确0.1 MSVC是VS附
Yolov8简介YOLOv8是Ultralytics公司推出的基于对象检测模型的YOLO最新系列，它能够提供截至目前最先进的对象检测性能。借助于以前的YOLO模型版本支持技术，YOLOv8模型运行得更快、更准确，同时为执行任务的训练模型提供了统一的框架，这包括：目标检测实例分割图像分类YOLOv8也非常高效和灵活，它可以支持多种导出格式，而且该模型可以在CPU和GPU上运行。使用Yolov8.Ne
yolov3-tiny训练+openvino调用yolov3-tiny模型训练darknet GPU环境配置数据集制作yolov3-tiny模型的训练yolov3-tiny模型的测试Openvino调用YOLOV3模型openvino在ubuntu16.04上环境配置编译build_demos.shYOLOV3-TINY模型转IRyolov3-tiny模型转tf模型tf模型转IR模型运行obje
转载
2024-10-28 20:41:23
107阅读
0 环境系统：win 10, 64位GPU版本：2080TiCUDA：10.0cuDNN：7.4.15OpenCV：3.0.0最近一个星期正在研究如何在win10下，使用darkent进行目标检测，为了展示好看，就打算将其做成一个界面（使用QT5）。这个项目我之前是在ubuntu环境下，使用pyqt进行封装成exe文件，但是检测速度不是很快，就使用tensorrt对其进行加速，但是放在w
很好，我又来配置环境了，这次要求的是yolov5的环境配置，我是个魔鬼，所有的软件安装教程遇到我都得死，又是发疯的新专栏。1.cuda首先，咱得明白啥是cuda，为啥装它，这些网上都有，看过我也不记得。重要的是装它之前我要知道一些基本知识，这是好多教程没讲的，上来就给文件包，cuda还分CPU和GPU，驱动和运行，这是一个雷，我已踩了，看下面这篇文章扫个盲先。CPU？GPU？+配置CUDA_i5
详细介绍了YOLOV4,从数据增强，主干网选择，特征增强，以及后处理等全方位优化策略。
一、什么是YOLOV4 YOLOV4是基于原有YOLO目标检测架构，采用了近年来CNN领域最优秀的优化策略。从数据处理，主干网络，模型训练，激活函数，损失函数等各个方面都有着不同程度的优化。二、Y
1、下载工程两种方式：1.1 通过git克隆 git clone https://github.com/pjreddie/darknet.git1.2 到GitHub上直接下载 有时候服务器上内网限制，克隆不下来，不知道原因是啥，有可能是公司内网限制了，本人通过这种方式下载的工程
转载
2024-06-16 09:18:01
307阅读
目录一、创建环境二、导入pytorch库三、源码测试3.1下载源码3.2更改解释器 3.3安装依赖项 3.4测试一、创建环境系统：win11python：3.10pytorch>1.7安装anaconda打开cmd窗口，输入conda create -n yolov5 python=3.10，创建新的环境，避免配置时出错影响其他环境。激活新创建的环境：&nbs
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、用YoloV5的detect.py生成预测图，预测类别，预测框坐标，预测置信度1、跑detect.py程序二、将测试图的Annotation的XML文件转化为txt文件，使用yolo坐标格式表示三、将YoloV5和GroundTruth的yolo坐标转换为voc坐标1.将groundtruth改成voc坐标:2.将y
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
论文地址：YOLOv3: An Incremental ImprovementYOLO算法详解，YOLO v2算法详解1.The Deal接下来，从头梳理整个网络，如果对YOLO和YOLO v2不熟悉，可以看一下我之前的博客。1.1 Bounding Box PredictionYOLO v3沿用YOLO9000预测bounding box的方法，通过尺寸聚类确定anchor box。对每个bou
