- 博客(18)
- 收藏
- 关注
RSS订阅原创 神经网络组植物分类学习规划与本周进展综述18
训练时会显示进度，最后在yolov5/runs/train/exp/weights里生成best.pt（最好的模型）和last.pt（最后一轮模型）。不用自己 “写代码”，YOLOv5 官网已经做好了所有核心代码，只需要改几个配置文件 + 运行现成的命令。右键文件夹→“共享”，生成链接发给组员，设置 “可编辑” 权限，两人就能共同上传 / 下载文件了。03_代码与模型（存 YOLOv5 代码、训练好的.pt 模型、配置文件）标注好的图片、训练好的模型、写的代码，传上去后两个人随时能下载最新版本；
2025-12-07 22:19:56
589
原创 神经网络组植物分类学习规划与本周进展综述17
训练时会显示进度，最后在yolov5/runs/train/exp/weights里生成best.pt（最好的模型）和last.pt（最后一轮模型）。不用自己 “写代码”，YOLOv5 官网已经做好了所有核心代码，只需要改几个配置文件 + 运行现成的命令。右键文件夹→“共享”，生成链接发给组员，设置 “可编辑” 权限，两人就能共同上传 / 下载文件了。03_代码与模型（存 YOLOv5 代码、训练好的.pt 模型、配置文件）标注好的图片、训练好的模型、写的代码，传上去后两个人随时能下载最新版本；
2025-11-30 21:02:27
921
原创 神经网络组植物分类学习规划与本周进展综述16
如果新标注的类别名称和原有classes.txt里的完全相同（比如都是 “man”“bus” 等），标注工具会直接调用已有classes.txt中的类别，不会生成新的classes.txt，标注完成后只需将新标签和图片按之前的目录结构（labels/train、images/train等）存放即可，训练时能自动合并。通过验证集的表现，我们可以判断模型是否 “学懂了”（比如会不会把狗误判成猫），以及是否出现了 “过拟合”（比如只记住了训练集的细节，换张图就识别不准）。作用：让模型学习知识。
2025-11-23 21:04:28
691
原创 神经网络组植物分类学习规划与本周进展综述15
训练时会显示进度，最后在yolov5/runs/train/exp/weights里生成best.pt（最好的模型）和last.pt（最后一轮模型）。1.一人负责 “数据准备”：用 LabelMe 标注图片，运行json2yolo.py转换标签，整理到data文件夹，确保路径正确；2.另一人负责 “代码运行”：安装环境，修改plant_soil.yaml配置文件，运行训练和测试命令，把训练好的模型传到共享网盘。标注好的图片、训练好的模型、写的代码，传上去后两个人随时能下载最新版本；
2025-11-16 21:37:43
824
1
原创 神经网络组植物分类学习 - 阶段学习规划14
目标：将 YOLO 分割结果转换成蒸散量脚本可读取的格式。• 组员 A：标注 25 张影像 + 整理训练集。• 组员 B：标注 25 张影像 + 整理验证集。组员 B：对接 QGIS 组 + 标注工具学习。目标：用分割结果跑通蒸散量脚本，得到初步结果。组员 A：环境搭建 + 数据格式调研。组员 A：模型训练 + 监控指标。组员 A：运行脚本 + 排查错误。组员 B：结果验证 + 记录问题。四、分割结果与蒸散量脚本对接。组员 A：处理分割结果格式。组员 B：对接蒸散量脚本组。
2025-11-06 17:34:25
331
原创 神经网络组植物分类学习规划与本周进展综述13
images:存放图片·train:训练集图片·val:验证集图片。·labels:存放标签·train:训练集标签文件，要与训练集图片名称--对应·val:验证集标签文件，要与验证集图片名称一-对应。
2025-11-01 22:15:23
1112
原创 神经网络组植物分类学习规划与本周进展综述11
而在检测速度方面，前传耗时体现模型前向推理的时间成本，每秒帧数FPS（Frames Per Second）表示单位时间内模型可处理的图像数量，浮点运算量（FLOPS）反映模型计算复杂度，这些指标共同用于评估模型在实际应用中的高效性，是处理一张图像所需要的浮点运算数量，跟具体软硬件没有关系，可以公平的比较不同算法之间的检测速度。目标框回归技术 在 YOLOv5 中，锚框给出目标宽高的初始值，目标框回归的核心是求解目标真实宽高与初始宽高的偏移量，同时确定预测框在图像中的位置。二、YOLO算法的基本思想。
2025-10-19 20:31:23
795
原创 神经网络组植物分类学习规划与本周进展综述10
在目标检测中，通常会设置一个 IoU 阈值（如 0.5），当预测框与真实框的 IoU 大于该阈值时，才认为检测是正确的。同时，还会给出置信度得分（Confidence score），用于衡量模型对该类别判断的确定程度，得分越高，表明模型对该类别预测越有把握。由于我的电脑只有集成核显，没有独立显卡，所以在安装 PyTorch 的时候，选择 CPU 版本是合适的，这样能确保在电脑硬件条件下，顺利使用 PyTorch 进行开发和运行相关程序。例如，在视频目标检测中，较高的 FPS 可以保证视频的流畅检测。
2025-09-25 19:30:17
753
原创 神经网络组植物分类学习规划与本周进展综述09
是一类用于调整模型参数（如权重、偏置等）的算法，其核心目标是最小化（或最大化）模型的损失函数（Loss Function），从而提升模型的预测性能。（1）梯度的本质是 “参数对损失的影响”，比如 “W2 变化一点，L 会变多少？假设你考试得分（L）取决于 “做题速度”（A）和 “正确率”（B），而 “做题速度” 又取决于 “平时练习量”（W1），“正确率” 取决于 “知识点掌握度”（W2）。（微积分中的基础规则）：把复杂的 “间接影响” 拆成多个 “局部影响” 的乘积，从后往前一步步算。
2025-09-14 11:51:32
144
原创 神经网络组植物分类学习-本周学习规划08
现阶段复习的核心是： “让大家回忆起‘CNN 如何处理图像’”，能看懂 YOLOv5 里的卷积层是干嘛的、知道训练时 “反向传播调参” 就是 CNN 的训练逻辑，来衔接后续学习。YOLOv5 本质是 “深度学习框架（如 PyTorch）+ 目标检测 / 分割模型” 的结合体。：它的核心结构（特征提取的卷积层、特征融合的残差连接、预测的检测头）全是基于 CNN 设计的，之前学的 CNN 基础（卷积、池化、激活函数）完全能支撑理解 YOLOv5 的原理，不需要额外补其他模型知识。
2025-09-12 17:10:14
306
原创 神经网络组植物分类学习规划与本周进展综述07
线性层（全连接层）是神经网络中基础且常用的组件，能将输入数据的特征进行线性变换。在图像任务里，由于图像原始是多维张量（如 CIFAR-10 数据集的，代表批量、通道、高、宽 ），需先处理成线性层可接收的一维特征向量，再通过线性层映射到目标维度（如分类任务的类别数 ）。3.2 线性层代码实战#线性层#模型定义部分#线性层的作用是将输入特征映射到 10 个输出，对应 CIFAR-10 的 10 个类别。
2025-06-26 21:03:11
1764
原创 神经网络组植物分类学习规划与本周进展综述06
加载并预处理图像数据，转换为张量并归一化。使用简单的卷积神经网络对图像进行特征提取。通过 TensorBoard 可视化原始输入图像和卷积后的特征图，帮助理解卷积操作的效果2.3.2 处理 自定义图像数据集（无人机数据）--卷积可视化实战import os# 自定义数据集类 - 处理无分类的图像文件夹# 获取所有图像文件路径# 读取图像并转换为float类型# 处理单通道图像（转换为3通道）# 无分类标签，返回0作为占位符# 图像预处理 - 增大尺寸以提高可视化清晰度。
2025-06-19 21:45:14
1706
原创 神经网络组植物分类学习规划与本周进展综述05
1.1 ToTensor转换# 1. ToTensor转换1.1.1 功能：将 PIL 图像转换为 PyTorch 张量（Tensor），并可视化结果。1.1.2 PIL 图像VSPyTorch 张量（1）PIL 图像（原始食材）形式：类似一张 “真实的照片”，以像素矩阵存储，但格式是 Python 的 PIL.Image 对象。特点人类友好：可以直接用 img.show() 显示图像。操作受限：只能用 PIL 库的方法（如 resize()、rotate()）处理。
2025-06-12 21:35:13
1789
原创 神经网络组植物分类学习规划与本周进展综述04
然后，启动 TensorBoard 并指定日志目录，它会读取这些日志文件，将数据解析并以可视化的形式展示在网页界面上（通常通过在浏览器中访问本地地址，如 http://localhost:6006/ ）。通过对 Tensor 进行各种数学运算（如加法、乘法、矩阵乘法等），以及利用自动求导机制计算梯度，不断调整模型参数，以达到模型性能优化的目的。描述了它的维度信息，比如二维 Tensor 可表示矩阵，三维 Tensor 常用于表示图像（在 PyTorch 中，图像的 Tensor 通常是。
2025-06-05 22:19:29
994
原创 神经网络组植物分类具体课程学习规划02
围绕目标检测算法（如 YOLO ）的相关内容，包括 IOU 指标计算、mAP 指标计算、YOLO 算法整体思路解读、检测算法要得到的结果、整体网络架构解读、位置损失计算、置信度误差与优缺点分析，以及 V2、V3 版本细节改进等内容。学习目的：掌握数据加载（Dataset、DataLoader）、CNN 构建（卷积层、池化层）、训练流程（损失函数、优化器）。图像分类 ）：学习如学习率调整、早停法等技巧，应对训练中过拟合、不稳定问题。学习数据增强（如旋转、缩放、亮度调整），解决航拍图像的视角变化问题。
2025-05-28 21:14:06
835
原创 神经网络组植物分类学习规划与本周进展综述01
研究方法：利用无人机采集黑龙江省帽儿山实验林场的高光谱数据，进行预处理后，分别用基于高斯核的支持向量机、随机森林、k - 近邻 3 种机器学习算法建立基于全波段高光谱数据的树种分类模型，又基于不同波段选择方法对全波段数据降维后构建分类模型，最后联合波段选择方法与高光谱图像纹理特征构建树种分类模型。该数据集包含一百种植物叶子的分类图像，有三个特征文件，如，形状（shape），边缘（margin），纹理（texture）。1.在对无人机数据处理的步骤充分了解的基础上，学习相关的深度学习课程进行简单的植被分类。
2025-05-22 21:28:32
1137
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人