YOLO
文章平均质量分 55
heromps
这个作者很懒,什么都没留下…
展开
-
YOLOv8性能评估指标->mAP、Precision、Recall、FPS、IoU
通过综合考虑这些指标的数值,可以评估YOLOv8模型在目标检测任务中的准确性、召回率、速度和边界框质量等性能表现。根据任务需求和实际条件选择最合适的YOLOv8模型和参数配置。原创 2024-07-19 11:37:59 · 1985 阅读 · 0 评论 -
YOLO格式数据清洗不需要类别
在YOLO格式的数据集中过滤特定类别,并重新映射保留类别的ID。然后,将符合条件的图像和标签文件复制到新的目录结构中。原创 2024-07-12 16:32:02 · 162 阅读 · 0 评论 -
YOLO格式图片删除后,标签对应删除
清理没有对应图像的标签文件。将遍历 train、val 和 test 子目录,检查每个子目录中的图像和标签文件,并删除没有对应图像的标签文件,同时使用 tqdm 显示进度条。原创 2024-07-12 16:28:09 · 344 阅读 · 0 评论 -
将两个YOLO格式的数据集合并,并保持相同类别
最近在做两个YOLO格式的数据集合并,第一个数据集包含了第二个数据集的类别,但是相应的类别id对应不住,需要修改第二个数据集的类别标签与第一个数据集对应住。原创 2024-04-30 13:54:07 · 1198 阅读 · 0 评论 -
YOLOv8+bytetrack实现多目标追踪
ByteTrack是一种基于检测的目标追踪算法,它在YOLOv8检测器的基础上进行了改进,实现了更高效的目标追踪,具有简单、高效和通用的特点。相较于传统的多目标跟踪方法,ByteTrack不依赖于ReID模型,而是通过关联每个检测框来进行跟踪。这种方法可以有效地解决低分检测框被简单丢弃的问题,从而减少漏检和碎片化轨迹的情况。ByteTrack算法流程如下:首先,使用目标检测器对当前帧进行检测,得到一系列候选目标框。原创 2024-04-29 17:48:27 · 3294 阅读 · 1 评论 -
YOLOv9训练自己的数据集
VisDrone2019-DET是由天津大学机器学习和数据挖掘实验室AISKYEYE团队收集。该数据集是由无人机在不同地点,不同高度拍摄的广域航拍图像,训练集包括 6471张图片,验证集包括548张图片,分辨率约为2000*1500像素,包括10个类别(pedestrian, person, car, van, bus, truck, motor, bicycle, awning-tricycle, and tricycle)原创 2024-03-28 10:41:44 · 1189 阅读 · 0 评论 -
训练YOLOv9-S
修改前调用的yolo.py测试的yolov9.yaml的打印网络情况,包含参数量、计算量修改后调用的yolo.py测试的yolov9.yaml的打印网络情况,包含参数量、计算量。原创 2024-03-21 22:36:06 · 512 阅读 · 0 评论 -
YOLOv9运行报错:AttributeError: ‘FreeTypeFont‘ object has no attribute ‘getsize‘
在网上搜索的结果大部分给出字体不对之类的答案但通过仔细研究,发现该报错的报错原因不是字体不对,而是因为安装了新版本的 Pillow (10)删除了该getsize 功能,降级到 Pillow 9.5 解决了该问题。在运行yolov9时,报错:attributeerror: ‘FreeTypeFont’ object has no attribute ‘getsize’原创 2024-03-21 21:49:56 · 488 阅读 · 0 评论 -
yolov9报错:AttributeError: ‘list‘ object has no attribute ‘view‘的两种解决方法
【代码】yolov9报错:AttributeError: ‘list‘ object has no attribute ‘view‘的两种解决方法。原创 2024-03-21 21:45:08 · 1322 阅读 · 0 评论