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
# 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
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
对于新发布的 YOLOv9，曾参与开发了 YOLOv7、YOLOv4、Scaled-YOLOv4 和 DPT 的 Alexey Bochkovskiy 给予了高度评价，表
原创
2024-10-11 16:56:05
303阅读
Windows7_64位darknet之yolov3的安装与编译 CPU版本1、下载并解压github上的下载链接https://github.com/pjreddie/darknet文件位置放在了：F:\1wq_files\Target_detection\darknet-master PS:链接里的所有文件都要下载下来，建议使用谷歌浏览器打开，网页加载速度很快2、下载安装验证cygwin，点击
发展进程
RCNN（2013年）-解决通用多目标捕获问题
第一次提出候选区（Selective Search）的方法处理模式：先提出候选框再识别对象 利用卷及神经网络来做目标检测的开山之作解决的问题
1.速度：传统区域选择使用滑窗，每滑一个窗口检测一次，相邻窗口信息重叠度高，检测速度慢。R-CNN使用一个启发式方法（selective search），先生成候选区域再
YOLO的作者又放出了V3版本，在之前的版本上做出了一些改进，达到了更好的性能。这篇博客介绍这篇论文：YOLOv3: An Incremental Improvement。下面这张图是YOLO V3与RetinaNet的比较。 可以使用搜索功能，在本博客内搜索YOLO前作的论文阅读和代码。YOLO v3比你们不知道高到哪里去了YOLO v3在保持其一贯的检测速度快的特点前提下，性能又有了提升：输
1 界面设计安装PyQt和pyqt5-tools python37 -m pip install pyqt5
python37 -m pip install pyqt5-tools 安装完成后，designer目录：C:\Users\BigBear\AppData\Local\Programs\Python\Python37\Lib\site-packages\qt5_app
转载
2024-08-09 00:35:34
96阅读
解读
文章目录1 摘要精读2 SPD-Conv原理2.1 Space-to-depth(SPD)3 如何使用SPD-Conv3.1 检测：Yolov5改进方式3.2 分类：ResNet改进方式4 论文实验结果4.1 目标检测4.2 图像分类5 YOLOv5官方项目改进教程 论文地址：https://arxiv.org/pdf/2208.03641v1.pdf 代码地址：https://git
在目标检测领域，YOLOv9 实现了一代更比一代强，利用新架构和方法让传统卷积在参数利用率方面胜过了深度卷积。继 2023 年 1 月 YOLOv8 正式发布一年多以后，YOLOv9 终于来了！我们知道，YOLO 是一种基于图像全局信息进行预测的目标检测系统。自 2015 年 Joseph Redmon、Ali Farhadi 等人提出初代模型以来，领域内的研究者们已经对 YOLO 进行了多次更新
转载
2024-03-14 15:15:01
181阅读
目录1. BiFPN论文简介2. 在Common.py中添加定义模块(Concat)3. 将类名加入进去，修改yolo.py4. 修改train.py5. 修改配置文件yolov5.yaml1. BiFPN论文简介论文《EfficientDet: Scalable and Efficient Object Detection》地址：https://arxiv.org/
二、yolov5模型重写1、yolov5训练复现数据集配置文件coco128里面改了训练集的路径到自己的训练集，图片集可以直接连接到对应的标签。这里最好使用原来数据集的格式和名称，在解析代码中图片可自动对应到labels文件夹中同样名称的标签。这里验证集有点小问题，必须用images这个名字，换val什么之类的找不到测试集图片。最后训练了17个epoch左右就收敛的差不多了2、读yolov5代码(
这两天看了YOLO相关论文，跑了以下YOLOv3的代码，以下为相关过程的一些总结，持续更新，9.19。把数据集随机分为训练集和测试集，以小狗检测为例：separate.py
import os
import shutil
import random
src_dir = 'dogTrainImg' #数据集源文件
obj_dir = 'dogTestImg' #测试图片目录
if not o
YOLOv2相对v1版本，在继续保持处理速度的基础上，从预测更准确（Better），速度更快（Faster），识别对象更多（Stronger）这三个方面进行了改进。其中识别更多对象也就是扩展到能够检测9000种不同对象，称之为YOLO9000。 本文讨论YOLOv2的内容，关于YOLO v1和v3的内容，请参考 YOLO v1深入理解 和 YOLO v3深入
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
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
YOLACT实例分割解读
论文：YOLACT：Real-time Instance Segmentation代码：https://github.com/dbolya/yolact一句话概括：YOLACT提出了一个单阶段实例分割模型，通过匹配（assembly）目标检测分支和原型（prototype）分支获得最终的实例分割结果。评价：YOLACT的提出为研
转载
2024-08-03 19:03:01
106阅读
参考)YOLOv2训练自己的数据集(voc格式)进行实验，基本上是正确的，但其初始给出的代码并非是在Linux下可以运行的，因此参考部分博客写了下面的程序，可以实现对文件夹内图片的批量读取以及更改名称符合VOC数据集习惯。另原文有部分小错误，本文已经修改，但后文属于转载，版权属原作者所有，本文仅为记录和交流用。如下文所示。1 准备数据首先准备好自己的数据集，最好固定格式，此处以VOC为例，采用jp
windows版本：请参考：https://github.com/AlexeyAB/darknetlinux 版本：请参考本文与 https://pjreddie.com/darknet/yolo第一部分：论文与代码第二部分：如何训练自己的数据第三部分：疑惑解释第四部分：测试相关第一部分：论文与代码论 文：https://pjredd
