1.研究背景与意义随着工业化的快速发展，金属制品在各个领域的应用越来越广泛。然而，由于金属材料的特殊性质，例如易受腐蚀、疲劳、热胀冷缩等，金属制品在使用过程中容易出现各种缺陷，如裂纹、气孔、夹杂物等。这些缺陷不仅会降低金属制品的强度和耐久性，还可能导致严重的事故和损失。因此，金属缺陷检测成为了工业生产中非常重要的一环。传统的金属缺陷检测方法主要依赖于人工目视检测，这种方法存在着许多问题。首先，人工
转载
2024-08-06 18:51:02
336阅读
什么是YOLO？YOLO 是“You Only Look Once”一词的缩写。这是一种算法，可以（实时）检测和识别图片中的各种对象。YOLO 中的对象检测是作为回归问题完成的，并提供检测到的图像的类别概率。YOLO 算法采用卷积神经网络 (CNN) 实时检测物体。顾名思义，该算法只需要通过神经网络进行一次前向传播即可检测物体。这意味着整个图像中的预测是在单个算法运行中完成的。CNN 用于同时预测
转载
2024-03-15 10:59:21
1211阅读
本文原创首发于极市平台公众号，如需转载请私信作者YOLACT，全称为：You Only Look At CoefficienTs，从标题可以看出这个模型的名称有些致敬YOLO的意思。YOLACT是2019年ICCV会议论文，它是在现有的一阶段（one-stage）目标检测模型里添加掩模分支。而经典的mask-rcnn是两阶段实例分割模型是在faster-rcnn(两阶段目标检测模型)添加掩模分支，
转载
2024-05-09 14:57:25
104阅读
文章目录1、YOLOv6介绍1.1、概述1.2、关键技术1.2.0、网络结构1.2.1、表征能力更强的 RepBi-PAN Neck 网络1.2.2、全新的锚点辅助训练（Anchor-Aided Training）策略1.2.3、无痛涨点的 DLD 解耦定位蒸馏策略1.3、总结2、测试2.1、官方项目测试2.2、opencv dnn测试2.3、测试统计 1、YOLOv6介绍1.1、概述2023年
一、当前配置Win10 专业版 x64位、vs2017 、Opencv4.0、 Cuda10.0、cuDNN7.4.1二、环境配置流程darknet是一个用c和cuda编写的开源神经网络框架，可以用它来训练或是推理。yolo是一种对象检测模型，对象检测就是在一张图像中找出若干对象，比如一只猫或者一只狗，并指出他们在图像中的具体位置。将darknet与yolo结合，对图像进行识别，准确率有了很大的提
转载
2024-08-14 10:22:18
96阅读
编译的安装顺序是，CUDA+CUDNN（安装包与压缩包不要删除，不要删除，不要删除，防止踩坑的后备）,然后是VisualStdio，其次是OPENCV + 扩展库，最后是cmake。环境变量配置，。其中，CUDA与OPENCV都需要进行环境配置，这对于以后的编译十分重要。CUDA可以从nvidia官网进行安装，然后cudnn下载cuDNN Library for Windows (x86)即可，将
转载
2024-08-05 14:33:50
45阅读
创新点YOLO将物体检测作为回归问题求解。基于一个单独的end-to-end网络，完成从原始图像的输入到物体位置和类别的输出。从网络设计上，YOLO与rcnn、fast rcnn及faster rcnn的区别如下：[1] YOLO训练和检测均是在一个单独网络中进行。YOLO没有显示地求取region proposal的过程。而rcnn/fast rcnn 采用分离的模块（独立于网络之外的selec
转载
2024-02-26 10:26:42
347阅读
分类器的准确度评估方法
1.
影响一个分类器错误率的因素
（1
）训练集的记录数量。生成器要利用训练集进行学习，因而训练集越大，分类器也就越可靠。然而，训练集越大，生成器构造分类器的时间也就越长。错误率改善情况随训练集规模的增大而降低。
（2
）属性的数目。更多的属性数目对于生成器而言意味着要计算更多的组合，使得生成器难度增大，需要的时间也
数据增强效果图假设原图输入是一张640*480的图片，这里由于版面问题我放缩了图片尺寸并且没做mean subtract，由于最后会有resize参数导致输出的图片都会resize到300x300，但是主要看的是增强的效果，SSD中的数据增强的顺序是：DistortImage: 这个主要是修改图片的brightness，contrast，saturation，hue，reordering chan
这里主要介绍在C++中使用OpenVINO工具包部署YOLOv5模型，主要步骤有：配置OpenVINO C++开发环境下载并转换YOLOv5预训练模型使用OpenVINO Runtime C++ API编写推理程序下面，本文将依次详述1.1 配置OpenVINO C++开发环境配置OpenVINO C++开发环境的详细步骤，请百度1.2 下载并转换YOLOv5预训练模型下载并转换YOLOv5预训练
转载
2024-05-14 06:23:23
128阅读
文章目录1、四种不同的库读取jpg图显示2、评估所读图片的差异3、简单说明有差异原因4、同样的流程对png图片进行处理5、png图片转jpg5.1 使用PIL进行转换5.2 使用Opencv进行转换5.3 使用Tensorflow 进行转换5.4 使用scikit-image进行转换5.3对比以上三种方法转换的图片是否相同 本文于2022年5月15日进行更新，主要是对于tensorflow版本升
转载
2024-02-27 13:30:01
280阅读
YOLO的设计理论YOLO 全称叫 You Only Look Once。是目标检测中 one stage 的典型之作。此外，目标检测的流派还有 two-stage，如 RCNN 系列；以及anchor free，如cornnet、centernet。其实 YOLO 就是通过一系列的卷积操作来实现端到端的目标检测。YOLO 会将图片划分为 S x S 的网格(grid)，每个网格负责检测落入其中的
文章目录1. 引言2. 算法总体思路3. 区域生成（Extract Region Proposals）4. 特征提取（Compute CNN Features）4.1. 网络结构设计4.2. 训练过程4.2.1. 有监督预训练4.2.2. 特定样本下微调（fine-tuning阶段）5. 分类器分类（Classify Regions）5.1 SVM训练5.2. 边界框回归（Bounding-bo
转载
2024-10-11 14:20:27
84阅读
ooenvino的安装可参考openvino2022版安装配置与C++SDK开发详解1.什么是openvino？概念： OpenVINO是英特尔基于自身现有的硬件平台开发的一种可以加快高性能计算机视觉和深度学习视觉应用开发速度工具套件，支持各种英特尔平台的硬件加速器上进行深度学习，并且允许直接异构执行。 支持在Windows与Linux系统，Python/C++语言。特点：在Intel平台上提升计
转载
2024-06-26 15:28:46
545阅读
# Python PIL与OpenCV比较：入门指南
作为一名刚入行的开发者，你可能已经听说过Python的两个图像处理库：PIL（Pillow）和OpenCV。这两个库各有千秋，选择哪一个取决于你的具体需求。本文将指导你如何使用这两个库进行图像处理，并进行比较。
## 流程概览
首先，让我们通过一个简单的流程图来了解使用PIL和OpenCV的基本步骤。
```mermaid
stateD
原创
2024-07-16 05:18:25
357阅读
otsu法（最大类间方差法，有时也称之为大津算法）使用的是聚类的思想，把图像的灰度数按灰度级分成2个部分，使得两个部分之间的灰度值差异最大，每个部分之间的灰度差异最小，通过方差的计算来寻找一个合适的灰度级别 来划分。 所以 可以在二值化的时候 采用otsu算法来自动选取阈值进行二值化。otsu算法被认为是图像分割
openvino+yolov5的检测优化及其在考勤机上的应用1、简介2、安装yolov53、配置Pytorch环境(1)、在开始界面中打开Anaconda Prompt(2)、输入命令：4、配置到Pycharm(1)、打开Pycharm(2)、打开File--Settings(3)、打开环境配置界面(4)、加入环境(5)、设置环境为Pytorch4、pt模型转onnx模型(1)、安装openvi
转载
2024-10-17 11:00:44
97阅读
YOLO definition首先我们要了解什么是YOLO？YOLO 是一种使用全卷积神经网络的实时目标检测算法，它是 You Only Look Once的缩写。与其他目标检测的算法相比，YOLO在一个网络模型中完成对图像中所有对象边界框和类别预测，避免了花费大量时间生成候选区域。它的强项是检测速度和识别能力，而不是完美地定位对象。与目标识别算法不同，目标检测算法不仅需要预测目标的类标
转载
2024-06-06 10:52:08
461阅读
## 使用 PyTorch、OpenCV 和 YOLO 实现目标检测的完整指南
在计算机视觉领域，目标检测是一项重要的任务。使用 YOLO（You Only Look Once）模型可以快速而精准地进行目标检测。本教程将指导你如何利用 PyTorch 和 OpenCV 实现 YOLO 进行目标检测。
### 流程概述
在开始之前，我们需要了解实现这一目标的整体步骤。以下是完成任务的流程：
1.研究背景与意义随着城市化进程的加快和交通流量的不断增加，交通安全问题成为了一个日益突出的社会问题。其中，交通道路上的三角锥是一种常见的交通安全设施，用于标记道路施工、交通事故现场、道路封闭等情况。然而，由于道路规模庞大、人力资源有限，对于三角锥的监测和管理往往存在一定的困难。传统的三角锥监测方法主要依赖于人工巡查，这种方法效率低下、成本高昂且易出错。因此，研发一种基于计算机视觉技术的交通道路三
