【声明】： 此笔记是根据b站大up【@同济子豪兄】视频内容并结合自己理解进行整理，如有不理解之处可以去b站找up原视频观看详解。另：十分非常万分感谢大up子豪兄的无私奉献，使像我这样的小白能够更快跨入DL大门，指引出一条更加方便快捷省时的炼丹之路。Name： Author： Publiced：
文章目录YOLOv1细节1. YOLOv1网络框架2. Grid cell3. (7 X 7
1. TensorRt介绍TensorRt是一个有助于在NVIDIA图形处理单元（GPU）上高性能推理c++库。它旨在与TesnsorFlow、Caffe、Pytorch以及MXNet等训练框架以互补的方式进行工作，专门致力于在GPU上快速有效地进行网络推理。一般的深度学习项目，训练时为了加快速度，会使用多 GPU 并行训练。但在部署推理时，为了降低成本，往往使用单个 GPU 机器甚至嵌入式平台（
# YOLOv5 Python封装：快速入门
YOLO（You Only Look Once）是一种先进的实时目标检测系统，YOLOv5是其最新版本，因其高效性和准确性而受到广泛应用。本文将介绍如何在Python中封装YOLOv5，并提供相关代码示例，以便读者快速上手。
## YOLOv5简介
YOLOv5相较于之前的版本，具有更快的推理速度和更小的模型大小，特别适合在移动设备或低配计算机上
文章目录一、前言二、yolov4的创新点2.1 输入端的创新2.1.1 数据增强2.1.2 自对抗训练（SAT）2.2 BackBone创新2.2.1 基准网络细节详解2.2.2 Dropblock2.2.3 标签平滑三、损失函数3.1.1 IOU Loss3.1.2 GIOU Loss3.1.3 DIOU Loss3.1.4 CIOU Loss3.2 NMS改进3.2.1 DIOU_NMS的处
转载
2024-01-17 21:58:06
168阅读
# Yolov5封装Python接口指南
## 引言
Yolov5是一种流行的目标检测模型，广泛应用于图像处理和计算机视觉领域。随着深度学习的盛行，将Yolov5封装为Python接口是实现项目复用和部署的重要步骤。本文将引导一位刚入行的小白逐步实现Yolov5的Python接口封装。
## 整体流程
在开始之前，让我们先看一下整个过程的步骤。
| 步骤 | 内容
原创
2024-10-02 06:26:31
323阅读
# YOLOv5 Python 封装指南
YOLOv5是一个优秀的目标检测模型，它具有快速的推理速度和良好的精度。随着深度学习及其应用的普及，很多开发者需要将YOLOv5嵌入到自己的Python项目中。本文将介绍如何封装YOLOv5，以便于在Python环境中方便地调用和使用，并且会提供相关的代码示例。
## 什么是YOLOv5？
YOLO（You Only Look Once）是一种实时目
AlexeyAB针对各种可以提升精度的trick进行了整合，加入YOLOV3中，得到最终本文的YOLOV4。最终在coco上面达到了43.5%AP ，在Tesla V100 上达到了65FPS这篇文章我们使用yolov4检测汽车，数据来自KaggleCar-Object-detection,训练数据可用的只有300多张，但是结果还不错运行环境系统：Ubuntu 20.04Python: 3.7Op
转载
2023-12-03 16:52:52
0阅读
文章目录前言一、Shufflenetv2论文简介模型概述加入YOLOv5二、Mobilenetv3论文简介模型概述深度可分离卷积逆残差结构SE通道注意力h-swish激活函数加入YOLOv5三、Ghostnet论文简介模型概述加入YOLOv5References 前言本文使用的YOLOv5版本为v6.1，对YOLOv5-6.x网络结构还不熟悉的同学们，可以移步至：【YOLOv5-6.x】网络模型
转载
2023-12-21 21:56:15
340阅读
YOLOv3YOLOv3: An incremental Improvement一、简述YOLOv3没有在YOLO9000上做出巨大的改进，它的工作更多的是基于YOLOv2的思路，设计了一个新的网络结构（Darknet-53），并将当时的一些新的点子加到这个模型上，以此来提高YOLO系列目标检测模型的准确率。YOLOv3的改进主要有：建立新的CNN模型（引入残差块）；利用多尺度特征进行目标检测；在
本文作者使用C++编写一套基于OpenCV的YOLO目标检测，包含了经典的YOLOv3，YOLOv4，Yolo-Fastest和YOLObile这4种YOLO目标检测的实现。附代码详解。 2020年，新出了几个新版本的YOLO目标检测，在微信朋友圈里转发的最多的有YOLOv4，Yolo-Fastest，YOLObile以及百度提出的PP-YOLO。在此之前，我已经在github发布过YO
转载
2023-07-29 23:34:03
327阅读
封装(encapsulation)是对 object 的一种抽象，即将某些部分隐藏起来，在程序外部看不到，即无法调用（不是人用眼睛看不到那个代码，除非用某种加密或者混淆方法，造成现实上的困难，但这不是封装）。 要了解封装，离不开“私有化”，就是将类或者函数中的某些属性限制在某个区域之内，外部无法调用。 python 中私有化...self.cur.close() self.conn.close()
转载
2023-09-14 22:34:28
71阅读
封装介绍封装是面向对象三大特性最核心得一个特性封装整合一、隐藏属性将封装得属性进行隐藏操作# 如何隐藏：在属性名前加__前缀，就会实现一个对外隐藏属性效果(只是一个变形)
class Foo:
__x=1
def __f1(self):
print('from test')# 这种变形需要注意的问题：# 1、在类外部无法直接访问双下滑线开头的属性，但知道了类名和属性名就可以拼出名字：_类名__属性
转载
2023-10-05 16:21:40
74阅读
装饰器装饰器本质上是一个Python函数，它可以让其他函数在不需要做任何代码变动的前提下增加额外功能，装饰器的返回值也是一个函数对象。它经常用于有切面需求的场景，比如：插入日志、性能测试、事务处理、缓存、权限校验等场景。装饰器是解决这类问题的绝佳设计，有了装饰器，我们就可以抽离出大量与函数功能本身无关的雷同代码并继续重用。概括的讲，装饰器的作用就是为已经存在的对象添加额外的功能。def foo()
转载
2023-09-15 14:47:09
54阅读
目录1. srand(time(0));1.1 srand(unsigned seed)1.2 time(0)1.3 clock()2. Thread3.结构体中.与->的区别4.堆与栈5. enum6.结构体中的指针7. #pragma8. 运行tiny_yolo相关代码8.1 主函数相关yolo.c//run_yolo
void run_yolo(int argc, char
各位同学好，今天和大家分享一下如何使用 opencv 调用 yolov4-tiny 目标检测方法，并对指定类别进行检测。用b站的视频做测试。点击按钮 'all'，按钮变红色，对所有的类别检测点击按钮 'person'，按钮变红色，只对'person'类别检测1.文件配置首先，我们需要导入 yolov4-tiny 网络模型结构 cfg 文件，网络权重 weights 文件，以及 COCO 数据集的分
转载
2023-11-20 09:50:12
263阅读
# Python 封装 AI 模型的科普文章
随着人工智能技术的快速发展，越来越多的开发者希望将 AI 模型集成到自己的应用程序中。在这篇文章中，我们将讨论如何使用 Python 封装 AI 模型，确保模型可以轻松地被调用和使用。我们将使用一个简单的 AI 模型作为示例，并展示如何将其封装成一个 Python 类。
## 封装 AI 模型的意义
封装 AI 模型的主要目的是增强代码的可重用性
原创
2024-08-13 09:36:08
161阅读
# YOLO模型的Python封装指南
YOLO（You Only Look Once）是一个非常流行的目标检测算法，它可以在图像中快速而准确地识别和定位物体。在这一篇指南中，我将教你如何封装YOLO模型，以便在自己的项目中使用。我们会通过清晰的步骤和代码讲解，帮助你更好地理解。
## 流程图
在我们开始之前，先来看看整个封装流程的步骤：
| 步骤 | 描述 |
|------|-----
# 使用 Python 封装 GBDT 模型入门指南
在机器学习中，GBDT（梯度提升决策树）是一种常用且强大的算法。在这篇文章中，我们将介绍如何在 Python 中封装 GBDT 模型，使其更易于使用和集成。对于刚入行的小白们，这将是一个循序渐进的过程。
## 流程介绍
以下是实现 Python 封装 GBDT 模型的步骤概览：
| 步骤 | 描述
原创
2024-08-13 04:17:17
41阅读
实例一：摆放家具 需求如下：家具(HouseItem)有名字和占地面，其中 席梦思(bed) 占地 4 平米 衣柜(chest) 占地 2 平米 餐桌(table) 占地 1.5 平米 打印出家具名称呵占地面积分析：从以上需求我们可以看出 类是家具(HouseItem) 该类有两个属性：家具name和占地面积area 可以通过__init__()方法设置属性的初始值 可以通过__str__()方法
转载
2024-04-16 22:27:54
31阅读
1. 背景 YOLOv2相对于v1版本，继续保持了很高的处理速度，但是在预测的准确率上有个很高的提高，但是其基本思想还是和v1版本是一致的，通过划分网格，以及使用简单的网络结构来处理分类问题。 由于YOLO系列，都是从V1开始逐步进行一些缺点的改进，故后面将只叙述改进部分的细节。 2.具体改进措施 2.1 输入及输出的格式 输入由V1的448 * 448 * 3 改为41
转载
2023-12-21 11:36:16
173阅读
