【纯干货级教程】YOLOv7如何添加注意力机制？

置顶 已于 2024-08-14 00:42:37 修改
阅读量428 收藏 8
点赞数 13
分类专栏： YOLO改进指南 YOLO快速入门 文章标签： 目标检测 YOLO 人工智能 深度学习 计算机视觉 注意力机制 YOLOv7
于 2024-08-14 00:28:52 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_84870184/article/details/140869941
版权
一、注意力机制

注意力机制（Attention Mechanism）是一种在机器学习和深度学习中广泛使用的方法，它用于模仿人类大脑如何聚焦于特定信息并忽略其他不相关信息。

例如，人眼的视网膜上有一个叫做中心凹的区域，这里的视觉细胞密度最高，能提供最清晰的视觉信息，将其视为硬件基础。

当你阅读文字时，你的眼睛会集中在每个单词上，但你的外围视野可能只能模糊地看到周围的文本或物体，同时，人脑能够根据当前的任务或目标选择性地聚焦于某些视觉刺激，而忽视其他刺激。将这种方式视为技术基础。

不多水字数进入正题。

二、注意力机制能加在哪？

实际添加注意力机制在自己的模型中时，对合适的位置进行添加才能让其发挥应有的作用，除此之外还要想办法为自己的的做法进行解释。因此，最好在添加注意力机制的时候加入一些比较明确的位置。

以YOLOv7为例，简单地说，分为骨干网、颈部网和头部网，骨干网用于特征提取，颈部网用于特征融合，而头部网用于最终的检测、分割等任务。因此，将注意力机制加在骨干网能够加强对目标特征的提取能力，加在颈部网能够加强对目标特征的融合能力加强能力。除此之外，也可以加在其他位置，当然，为了解释的需要上述位置最为常见，若你可以进行一个较好的解释也可以进一步修改。

三、以YOLOv7-tiny为例添加注意力机制
1.加入骨干层示例1

解释示例：加在主干输入首端，替换原有CBL结构，起到一个全局的处理作用，加强对某特征的提取与抑制不相关特征的影响。（替换后若GFLOPS影响不大）保持下采样的功能不变外，又有效控制了计算成本，还显著提升了xx在某方面的性能。

代码示例：

# parameters
nc: 80  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple

# anchors
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# yolov7-tiny backbone
backbone:
  # [from, number, module, args] c2, k=1, s=1, p=None, g=1, act=True
  [[-1, 1, Attention, [32, 3, 2, None, 1, nn.LeakyReLU(0.1)]],  # 0-P1/2

   [-1, 1, Attention, [64, 3, 2, None, 1, nn.LeakyReLU(0.1)]],  # 1-P2/4

   [-1, 1, Conv, [32, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [32, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [32, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [32, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 7

   [-1, 1, MP, []],  # 8-P3/8
   [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 14

   [-1, 1, MP, []],  # 15-P4/16
   [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [128, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [128, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 21

   [-1, 1, MP, []],  # 22-P5/32
   [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [256, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [256, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [512, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 28
  ]
2.加入骨干层示例2

解释示例：替换主干三个特征图输出层（小中大）ELAN模块的最后一个模块，对前置模块传入的特征信息做处理，起到一个局部的注意力加强与不相关特征抑制作用，（替换后若GFLOPS影响不大）略微修改原有的ELAN结构在保持了高性能的特征提取能力外，又有效控制了计算成本，还显著提升了xx在某方面的性能。

代码示例：

   [-1, 1, MP, []],  # 8-P3/8
   [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   #[-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 14
   [-1, 1, Attention, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 14

   [-1, 1, MP, []],  # 15-P4/16
   [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [128, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [128, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   #[-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 21
   [-1, 1, Attention, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 21

   [-1, 1, MP, []],  # 22-P5/32
   [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [256, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [256, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   #[-1, 1, Conv, [512, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 28
   [-1, 1, Attention, [512, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 28
   
  ]
3.加入骨干层示例3

解释示例：加入主干三个特征图输出层（小中大）ELAN模块的后一个模块，对前置ELAN模块传入的特征信息做处理，起到一个局部的注意力加强与不相关特征抑制作用。

代码示例：

   [-1, 1, MP, []],  # 8-P3/8
   [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 14
   [-1, 1, Attention, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 15

   [-1, 1, MP, []],  # 16-P4/16
   [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [128, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [128, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 22
   [-1, 1, Attention, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 23

   [-1, 1, MP, []],  # 24-P5/32
   [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [256, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [256, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [512, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 30
   [-1, 1, Attention, [512, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 31
4.加入骨干层示例4

解释示例：加在主干末端，对经由整个主干提取过的特征及小目标进行一个信息的处理，（若对小目标的检测能力加强了），这样修改增强了对小目标的特征提取能力，同时仅添加在最后一个特征图通道输出层在加强了性能的同时又保持了计算成本。

代码示例：

   [-1, 1, MP, []],  # 22-P5/32
   [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [256, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [256, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [512, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 28
   [-1, 1, Attention, [512, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 29
5.加入颈部网示例1

解释示例：替换入YOLOv7-tiny基准池化层算法的最后一层被传入层保持了用于减少输入数据的空间尺寸的功能（例如，图像的宽度和高度），同时相比基准算法能够更为有效地保持其最重要的信息（或基准算法的池化层对图像进行降维处理后特征信息丢失较多，而这么做可以有效抑制特征的丢失等）。（替换后若GFLOPS影响不大）有效控制计算成本。

代码示例：

  [[-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, SP, [5]],
   [-2, 1, SP, [9]],
   [-3, 1, SP, [13]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -7], 1, Concat, [1]],
   [-1, 1, Attention, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 37
6.加入颈部网示例2

解释示例：加在池化层后上采样层前，能有效对下采样处理后的特征信息进行一个xxx的加强，加强了算法的xxx性能，也保证了特征传入上采样层后能够有效工作。

代码示例：

# yolov7-tiny head
head:
  [[-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, SP, [5]],
   [-2, 1, SP, [9]],
   [-3, 1, SP, [13]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -7], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 37
   [-1, 1, Attention, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 38
7.加入颈部网示例3

解释示例：替换在颈部网的三个不同尺寸特征图输出层ELAN结构的最后一个传入CBL模块，（替换后若GFLOPS影响不大）在有效控制计算成本的同时加强（保证）了对特征的融合能力，为主干网传入的特征进行了有效的处理与学习过程等。

代码示例：

   [-1, 1, Conv, [32, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [32, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [32, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [32, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Attention, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 29

   [-1, 1, Conv, [128, 3, 2, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, 47], 1, Concat, [1]],

   [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Attention, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 29

   [-1, 1, Conv, [256, 3, 2, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, 37], 1, Concat, [1]],

   [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [128, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [128, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Attention, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 29
8.加入颈部网示例4

解释示例：加在颈部网的最后一个传出层，对不同尺度的特征进行一个最终的处理以有利于传入头部网进行进一步的检测、分类、分割等任务。（注意加在这里一般计算成本会加大许多）

代码示例：

   [57, 1, Attention, [128, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [65, 1, Attention, [256, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [73, 1, Attention, [512, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
五、注意点

本文改进只是提供一个简单的示例解释，教大家如何添加注意力机制。

yolov7和yolov7-tiny整体结构差不多，若能理解本文的改进方法，则yolov7亦可采用同样的改进方式。

实际情况还需要各位同学按照添加的注意力机制类型、位置等进行一个合理的解释。

在实际的实验情况中，往往会出现添加注意力机制导致降点，这是很正常的。比如若你添加在骨干层，相较于基准算法，提取到的特征因为添加注意力机制后发生改变，则很容易对融合操作等造成影响；同样的，若你添加在颈部层，相较于基准算法，提取到的特征不变，但因为添加注意力机制后融合特征的操作发生改变，对网络的学习也会造成影响......

六、因此，什么时候添加注意力机制？

1.这里提供一个节约思路的小妙招，多看看文献再多实验，看看别人在你的环境采用的注意力机制实验情况，再思考自己的实验情况，此处只可意会不可言传了~

2.除此之外，若对自己的改进没有思路，也可以思考一下再引入不同的注意力机制进行测试，比如你的任务和位置有很大关系，那么采用基于位置的注意力机制是否有作用呢？多添加几个位置多实验试试吧。

3.若你的数据集很庞大，建议抽样检测，比如从一个拥有十万张图片的10类别数据集中抽取一千张10类别的图片，跑一次测试后，再添加注意力机制测试，这只是一个思路，实际仍需实验，因为抽样出的小数据集并不能完全代表整体。同时，它的特征也没有大数据集有代表性。

4.多实验几个改进后，分析数据——比如你的各个指标，相比其它改进，哪个高？低？为什么？问就是多测，实践出真知。

若你对本文有更多意见与建议，欢迎在评论区批评指正！本文将会持续更新。

更多文章产出中，主打简洁和准确，欢迎关注我，共同探讨！

拿下Nahida
关注
  • 13
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
YOLOv5修改注意力机制CBAM
weixin_45303602的博客
08-10 821
后续会给大家讲解YOLOv8怎么修改。parse_model 注册。模块就不介绍了，直接上干货。common加入以下代码。yaml 配置文件如下。
目标检测算法——YOLOv7训练自己的数据集（保姆级教程）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
10-26 9380
目标检测算法——YOLOv7训练自己的数据集（保姆级教程）！！！
目标检测算法——YOLOv5/YOLOv7之结合CA注意力机制
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
04-09 1万+
将CA注意力模块嵌入到YOLOv5网络中，强化网络对方向和位置等信息的敏感度。
目标检测算法——YOLOv5/YOLOv7改进之结合ECA注意力机制
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
04-09 8493
将即插即用的ECA注意力模块嵌入到YOLOv5网络中，减少模型参数，同时带来明显的性能提升。
目标检测算法——YOLOv5/YOLOv7改进之结合CBAM注意力机制
热门推荐
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
04-09 1万+
将CBAM注意力模块嵌入到YOLOv5网络中，解决原始网络无注意力偏好的问题。
空间注意力机制sam_YOLO v4：物体检测的最佳速度和精度
weixin_39725365的博客
12-20 4381
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达 您只需看一次(YOLO)是快速、准确的单阶段目标检测器。最近发布的YOLO v4与其他目标检测器相比，显示出非常好的结果。1 介绍当今大多数精确模型都需要使用许多GPU进行大mini-batch的训练，使用单GPU训练实际上会使训练变得缓慢且不切实际。YOLO v4目标检测器可以在具有较小mini-batch批处理大小的单G...
目标检测算法——YOLOv5/YOLOv7改进之结合无参注意力SimAM（涨点神器）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
10-24 1万+
目标检测算法——YOLOv5/YOLOv7改进之结合无参注意力SimAM
PyTorch版：集成注意力和MobileNet的YOLOv4
小白学视觉
07-16 481
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达距离 YOLO v4 的推出，已经过去 5 个多月。YOLO 框架采用 C 语言作为底层代码，这对于惯用 Python 的研究者来说，实在是有点不友好。因此网上出现了很多基于各种深度学习框架的 YOLO 复现版本。近日，就有研究者在 GitHub 上更新了基于 PyTorch 的 YOLOv4。从今年 ...
YOLOv5添加注意力机制
python自学小学生的博客
11-21 120
第二步：在yolo.py这里面加上需要添加的注意力机制名称 第三步：复制yolo5s.yam文件改名为yolo5sSE.yam，在最后一层添加[-1, 3, SE,[1024]],后续head里的数字都得改，跟我一样就行。 第四步：在train.py里的parser.add_argument(‘–cfg’, type=str, default=ROOT / ‘models/yolov5sSE.yaml’, help=‘model.yaml path’) 改为yolo5sSE.yam 运行train.
纯干货：为什么越来越多的社群会死掉?
02-26
下面这篇文章，包含了作者多年来做学习型社群的心得与经验，文章很长，干货满满，读来必有收获。在中国网络上长期泡着的人，恐怕都有过加入某些群的经历。一开始是激动和兴奋的心情，但当怀着良好愿望加入一段时间后...
git工具的使用方法（纯干货小白教程）
07-25
使用`git add`将更改添加到暂存区，`git commit`将暂存区的更改保存到版本库，`git status`查看当前状态。 6. **分支管理** Git的分支模型是其强大之处。创建新分支`git branch new-feature`，切换分支`git ...
纯正干货，教你ESD如何选型-综合文档
05-22
**ESD选型指南** 静电放电（Electrostatic Discharge，简称ESD）是电子设备设计和生产过程中必须...这份“纯正干货，教你ESD如何选型”文档将提供更多的详细信息和实用建议，帮助你在实际操作中更好地应对ESD挑战。
PPT资源纯干货超过50000套模板
10-13
本文将详细解析标题“PPT资源纯干货超过50000套模板”以及描述中提到的知识点，同时也将涵盖标签中的关键信息。 1. **PPT模板**：PPT模板是预先设计好的演示文稿结构，包括配色方案、字体样式、布局和图形元素。...
RV1126 部署自己训练的yolov8
08-09 149
如果不用这个方式，outputs会是一个，导致后面的无法正常使用。RK的GIT上相关的问题，都没人回答，这是一个坑，被我踩了一次。cd到toolkit的examples->common_function_demos->export_rknn_precompile_model文件夹下，将刚刚得到的best.rknn模型拷贝进去。采用rknn_toolkit-1.7.5-cp38-cp38-linux_x86_64.whl。进入rknn_model_zoo/example/yolov8/python。
【OpenCV-Python实战项目】08-YOLO-V3实时目标检测
weixin_44702962的博客
08-09 944
本笔记主要用YOLO-V3进行图像 or 摄像头视频或者下载视频的目标检测。
YOLOv8部署的4种不同部署方式推理速度对比：pytorch、onnx、ncnn、tflite
qq_30895747的博客
08-05 404
YOLOv8部署的4种不同部署方式推理速度对比：pytorch、onnx、ncnn、tflite
YOLOv8入门 | 实用脚本 | 绘制多个实验的loss、mAP@0.5、mAP@0.5:0.95的高级图像【科研必备 + 绘图神器】
最新发布
kay_545
08-10 972
yolov8实验结果画图，yolov8，论文画图
在国产芯片上实现YOLOv5/v8图像AI识别-【2.4】导出RKNN模型（第二部分：模型量化）更多内容见视频
weixin_41864178的博客
08-09 335
本专栏主要是提供一种国产化图像识别的解决方案，专栏中实现了YOLOv5/v8在国产化芯片上的使用部署，并可以实现网页端实时查看。根据自己的具体需求可以直接产品化部署使用。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值