文火冰糖的硅基工坊
行路当下,惜缘随缘;
仰望星空,梦在远方;
俯瞰天下,顺道而为;
点亮心灯,照亮周遭。
----贝尔实验室授予杰出技术专家DMTS终身荣誉
展开
-
[YOLO专题-29]:对视频文件的小目标进行大小目标联合二次定位代码设计全过程解析
目录第1步:获取原始图片或视频文件第2步:根据视频文件制作训练大目标数据集2.1 把原始的视频文件转换成原始图片2.2 获取负样本原始图片2.2 通过LabelMe手工给图片文件打标签(耗时)2.3 把LabelMe标签样本转换成Yolo样本2.4 创建大样本yaml配置文件第3步:训练大.........原创 2022-01-14 08:48:13 · 346 阅读 · 1 评论 -
[YOLO专题-28]:YOLO V5 代码管理 - 如何与官网协同开发自己的项目代码
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:https://blog.csdn.net/HiWangWenBing/article/details/122519479目录前言:第1章 构建多仓库混合共享的版本管理架构第2章 项目代码与YOLO代码协同开发的基本原则2.1 代码的处理原则2.2 数据集的处理原则2.3 YOLO代码的升级与验证2.4 submit到YOLO V5官网2.5 其他前言:在实际工原创 2022-01-16 10:10:14 · 747 阅读 · 0 评论 -
[YOLO专题-27]:YOLO V5 小目标检测遇到的问题与常见解决办法
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:https://blog.csdn.net/HiWangWenBing/article/details/122348281目录第1章 前言:第2章 小目标检测常见问题2.1 大小目标混合的场合2.2 只有小目标的场合第3章 小目标检测困难的原因3.1 模型对小目标总数的支持不够3.2 小目标漏检率太高3.3 解决问题的基本思路第4章 小目标检测可能的解决之道:输入图原创 2022-01-15 12:12:04 · 7947 阅读 · 4 评论 -
[YOLO专题-26]:YOLO V5 - ultralytics代码解析-detect.py程序的流程图与对应的plantUML源码
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录第1章detect.py程序的流程图第2章 流程图对应的plantUML源码第1章detect.py程序的流程图第2章 流程图对应的plantUML源码@startumlstart:run();:输入参数检查;:输出目录准备;:模型加载;:模型半精度配置;switch(data source?)case(webcam) :dataset=Loa..原创 2022-01-13 08:55:17 · 617 阅读 · 0 评论 -
[人工智能-深度学习-80]:开发环境 - OSError: [WinError 1455] 页面文件太小,无法完成训练问题的多种解决办法
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录前言:错误的认知:真正的原因:解决问题的办法办法1:关闭IE浏览器等其他应用程序(部分解决,不确定性)办法2: 重启机器(部分解决,不确定性)办法3: 降低训练时的batch size的大小(部分解决,不确定性)办法4: 降低dataloader的线程数办法5:增加Windows系统的物理内存 (根本解决,高成本)办法6: 为所有硬盘启动(根本解决,低成本)原创 2022-01-11 07:42:34 · 2163 阅读 · 0 评论 -
[YOLO专题-25]:YOLO V5 - ultralytics代码解析-detect.py检测代码的详细执行流程
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:https://blog.csdn.net/HiWangWenBing/article/details/122377470目录第1步 执行程序第2步 检测前准备第3步 准备数据集第4步准备网络模型第5步 预测前的准备第6步 开始预测/目标检测第7步预测后处理第1步 执行程序python detect.py --save-crop --save-txt --..原创 2022-01-11 09:15:55 · 2158 阅读 · 0 评论 -
[YOLO专题-24]:YOLO V5 - ultralytics代码解析-train.py训练代码的详细执行流程
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录第1步 执行程序第2步 训练前准备第3步 准备数据集第4步准备网络模型第5步 准备训练参数第6步 开始训练第7步训练结束,进行后期处理第1步 执行程序python train --img 640 --batch 1 --epochs 5 --data coco128.yaml --weights yolov5s.pt第2步 训练前准备(1)主函数:..原创 2022-01-10 10:55:06 · 1607 阅读 · 1 评论 -
[YOLO专题-22]:YOLO V5 - ultralytics代码解析-超参数详解
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录前言:第1章 超参数配置文件的基本信息1.1 超参数配置文件的路径路径1.2 超参数配置文件1.3 如何指定超参数配置文件第2章 超参数内容详解前言:YOLO V5除了通过用户命令行参数来控制模型的训练和模型的预测,YOLO V5的工程代码,还提供了超参数配置文件来控制对模型的训练和预测过程。通常情况下,这些参数是不需要改变的,采用默认值即可。第1章 .原创 2022-01-09 11:30:35 · 2963 阅读 · 0 评论 -
[YOLO专题-23]:YOLO V5 - ultralytics代码解析-网络子结构详解
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录第1章 网络总体结构1.1 网络数据处理流程1.2 网络总体结构第2章 骨干网自网络2.1 Focus网络2.2 Hard-Swish激活函数2.3 CSP1_x网络2.4 SPP网络第3章 Neck/F-PAN子网络3.1 YOLO V3的图像金字塔结构3.2 YOLO V4的路径聚合网络PAN3.3 F-PAN第4章 目标预测(检测)结构化.原创 2022-01-10 07:41:08 · 1045 阅读 · 0 评论 -
[YOLO专题-21]:YOLO V5 - ultralytics代码解析-网络配置文件与总体结构
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:https://blog.csdn.net/HiWangWenBing/article/details/122369147目录第1章 YOLO的数据处理流程第2章 YOLO V5支持的网络模型第3章 YOLO V5网络的配置文件3.1 网络配置文件的作用3.2 模型配置文件的路径3.3 模型配置文件的内容(yolov5s为例)第4章 YOLO V5总体的网络结构第1章.原创 2022-01-09 09:22:15 · 1067 阅读 · 0 评论 -
[人工智能-深度学习-79]:开发环境 - 模型结构可视化神器Netron的使用
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录前言:第1章 什么是Netron1.1 概述1.2 github 链接(包括工具源代码、可执行文件的下载和说明)1.3 支持的操作系统1.4 支持的模型第2章 如何安装Netron与环境准备2.1 IE远程可视化2.2 Windows本地可视化第3章 如何使用Netron3.1 IE远程可视化3.2 Windows本地第4章 YOLO 下使用Ne原创 2022-01-08 10:47:05 · 1095 阅读 · 0 评论 -
[YOLO专题-20]:YOLO V5 - ultralytics代码解析-马赛克数据增强mosaic augment
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录第1章 什么是传统的数据增强augment1.1传统数据增强1.2Random Erasing Data Augmentation(随机擦除数据增强)1.3RandAugment(随机增强)1.4 混合数据增强Mixup、Cutout、CutMix第2章 Mosaic Data Augmentation(马赛克数据增强)2.1 什么是马赛克数据增强2.2 基...原创 2022-01-08 08:55:52 · 3635 阅读 · 0 评论 -
[YOLO专题-19]:YOLO V5 - ultralytics代码解析-dataloader数据加载机制
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录第1章 什么是dataloader数据集加载器第2章 Pytorch的dataloader2.1 依赖的库2.2 自定义自己的数据集2.3 自定义dataloader加载器2.4 使用dataloader迭代器读取数据第3章 YOLO V5 - ultralytics dataloader的代码实现3.1create_dataloader3.2 支持的其他功能.原创 2022-01-07 15:15:17 · 16442 阅读 · 0 评论 -
[YOLO专题-18]:YOLO V5 - ultralytics代码解析-总体架构
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录第1章 YOLO V5代码官方链接第2章 YOLO V5代码处理流程第3章 工程代码结构3.1 根目录3.2 子目录第1章 YOLO V5代码官方链接GitHub - ultralytics/yolov5: YOLOv5 ???? in PyTorch > ONNX > CoreML > TFLiteYOLOv5 ???? in PyTorch >原创 2022-01-07 10:10:39 · 16639 阅读 · 0 评论 -
[YOLO专题-27]:YOLO V5 小目标检测遇到的问题与常见解决办法
第1章 前言:第2章 小目标检测常见问题2.1 大小目标混合的场合2.2 只有小目标的场合第3章 小目标检测困难的原因3.1 模型对小目标总数的支持不够3.2 小目标漏检率太高3.3 解决问题的基本思路第4章 小目标检测可能的解决之道:输入图片4.1 目标数量超标4.2 目标像素太少第5章 小目标检测可能的解决之道:预测模型5.1 针对目标数量超标的问题5.2 针对目标像素太少的问题:统一模型5.3 针对目标像素太少的问题:分离模型原创 2022-01-13 10:05:50 · 4011 阅读 · 0 评论 -
[YOLO专题-17]:YOLO V5 - 如何把YOLO训练数据集批量转换成带矩形框的图片
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录前言:第1章 主要的流程第2章 工具的使用第3章 工具源代码实现前言:yolo的训练数据局级,原始图片与yolo的标签文件是分开存储的,有时候,我们期望把标签的box与原始图片整合在一起,看一看标签后的图片的效果。这就需要专门的转换工具来完成。本文就是提供了这样的一种python工具,来实现此功能。第1章 主要的流程(1)创建输出目录:os.makedirs原创 2022-01-06 19:07:25 · 16808 阅读 · 0 评论 -
[YOLO专题-16]:YOLO V5 - 如何把labelme json训练数据集批量转换成yolo数据集
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录前言:第1章 转换的主要流程第2章 转换工具的使用第3章 全部源代码前言:通过labelme等图像化工具生成的自定义数据集,其格式可能并不是yolo txt格式,而是json格式。如何把labelme json训练数据集批量转换成yolo数据集呢?这就需要专门的pyton转换工具了。本文将提供该工具的工具过程以及源代码。第1章 转换的主要流程1.获取inpu原创 2022-01-06 07:46:01 · 17724 阅读 · 0 评论 -
[YOLO专题-15]:YOLO V5 - 如何从视频文件中生成训练样本的原始图片
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:前言:在构建自己的训练样本时,有时候需要从视频文件中生成原始的样本图片,本文就是讲解如何通过视频文件生成训练样本的原始图片,以便后续进一步的为原始的样本图片打标签。从视频文件中创建图片的方法很多,有现成的工具,与可以用python编写这样的工具,如下就是python代码的实现。一、基本原理基本原理其实很简单,open cv提供了读取视频帧的接口, 关键的接口函数如下:(1)原创 2022-01-05 19:11:09 · 16261 阅读 · 0 评论 -
[人工智能-深度学习-77]:目标检测 - 常见项目、应用
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:https://blog.csdn.net/HiWangWenBing/article/details/122307915目录前言:场景一:统计目标的个数1.1 电子元器件数统计1.2 电子显微镜下不同细胞数量的统计1.3 人群中人数的统计场景二:阿里云视觉智能开放平台上线的目标检测能力场景三:智慧交通场景四:工业检测场景五:仓库物品检测场景六:文本检测Text原创 2022-01-05 09:31:30 · 17523 阅读 · 0 评论 -
[YOLO专题-13]:YOLO V5 - ultralytics制作自己的训练数据集
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录前言:步骤1:采集自己的自定义数据集的图片数据步骤2:为自己的自定义图片数据集打标签步骤3:把json格式的标签文件转换成yolo-v5所需格式的标签文件3.1 Yolo Text格式:(Cx, Cy, W, H) , 且需要归一化后的数据格式3.2转换工具:基于现有的工具进行转换前言:在实际项目中,有时候,没有开源的数据集可用,或者开源的数据集与我们自己业务...原创 2022-01-04 19:29:21 · 15930 阅读 · 0 评论 -
[YOLO专题-14]:YOLO V5 - ultralytics在自定义数据集上获得高性能的常见关键项
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录前言:第1步:数据集的优化(1)图像的数量(2)标签的目标实例的数量(3)图片的变化性(4)标签的一致性(5)标签准确性(6)背景图片的添加第2步:模型的选择第3步:模型训练过程的优化3.1 情形1:从预训练模型(权重文件)开始3.2 情形2:从头开始训练3.3 模型训练超参数的选择前言:YOLO V5官方提供的性能指标,是在YOLO V原创 2022-01-04 19:31:42 · 16136 阅读 · 0 评论 -
[YOLO专题-12]:YOLO V5 - ultralytics支持的5种不同规模的模型类型比较
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录1、概述2、不同模型性能比较3、典型规模的模型:4、模型规模的配置1、概述为了适应不同的应用场景,YOLO V5并不是采用单一规模的模型,而是采用多种规模的模型。不同的规模的模型,其速度、所需要的内存空间,mAP不尽相同。GitHub - ultralytics/yolov5: YOLOv5 ???? in PyTorch > ONNX > CoreML &原创 2022-01-04 00:16:10 · 18007 阅读 · 3 评论 -
[YOLO专题-11]:YOLO V5 - ultralytics/train基于自定义图片数据集重新训练网络, 完成自己的目标检测
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:https://blog.csdn.net/HiWangWenBing/article/details/122150460目录前言:步骤1:下载对应版本的YOLO开源代码1.1 github链接1.2 下载1.3 拷贝到Pycharm工程目录中步骤2: 为新数据集创建新配置文件或修改已有配置文件:xxxdataset.yaml步骤3: 下载或创建自定义数据集3.1原创 2022-01-03 23:55:59 · 17228 阅读 · 0 评论 -
[YOLO专题-10]:YOLO V5 - ultralytics/detect检测代码的命令行参数详解
第1章 准备1.1 github代码URLhttps://github.com/ultralytics/yolov51.2 detect代码路径1.3 detect检测代码快速入门python detect.py --命令行参数选项https://blog.csdn.net/HiWangWenBing/article/details/1222637371.4 获取命令行参数(pytorch-gpu-os) PS F:\MySource\github\yol..原创 2022-01-02 22:07:38 · 17270 阅读 · 0 评论 -
[YOLO专题-9]:YOLO V5 - ultralytics/detect代码快速启动详解
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:https://blog.csdn.net/HiWangWenBing/article/details/122263737目录第1步:官方文档入口第2步:前提条件与要求第3步:安装代码到本地环境第4步:在云环境运行YOLO V5 (可忽略)第5步骤:命令行下使用YOLO V5代码进行预测或目标检测5.1 命令概述5.2 对图片文件进行目标检测5.3对视频文件进...原创 2022-01-01 10:52:21 · 18609 阅读 · 3 评论 -
[YOLO专题-8]:YOLO V5 - 简介与快速概览
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录第1章 什么是YOLO V51.1 什么是YOLO1.2 什么是YOLO V5第2章 YOLO的历代版本YOLOv5YOLOv4YOLOv3YOLOv2YOLOv1第3章 如何自学YOLO V53.1 YOLO V5相对于其他版本的独特之处3.2 YOLO V5的自学方法第1章 什么是YOLO V51.1 什么是YOLOYOLO是'You原创 2021-12-31 17:05:20 · 19652 阅读 · 0 评论 -
[YOLO专题-7]:YOLO V4 - 网络结构、原理、改进的全新、全面、通俗、结构化讲解
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:https://blog.csdn.net/HiWangWenBing/article/details/122233821目录前言:第1章 YOLO V4应运而生1.1 YOLO V3的不足1.2YOLO V4的出现1.3YOLO V4的改进与优点1.4YOLO总体的网络结构1.5YOLO V4的总体网络架构第2章 YOLO V4网络的图片输入2.1 输入...原创 2021-12-30 22:20:41 · 19111 阅读 · 0 评论 -
[YOLO专题-6]:YOLO V3 - 网络结构、原理、改进的全新、全面、通俗、结构化讲解
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:https://blog.csdn.net/HiWangWenBing/article/details/122226224目录前言:第1章 YOLO V3应运而生1.1 YOLO V2的不足1.2YOLO V3的出现1.3YOLO V3的改进1.4YOLO总体的网络结构1.5YOLO V3的总体网络架构:Darknet-56第2章 YOLO V3网络的图片输入...原创 2021-12-30 00:30:08 · 16126 阅读 · 0 评论 -
[YOLO专题-5]:YOLO V2 - 网络结构、原理、改进的全新、全面、通俗、结构化讲解
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录前言:第1章 YOLO V2应运而生1.1 YOLO V1的不足1.2YOLO V2的出现1.3YOLO V2的优点1.4YOLO总体的网络结构1.5YOLO V2的总体网络架构:Darknet网络第2章 YOLO V2网络的图片输入2.1 输入图片的尺寸的改进2.3 图片的标签(用于Loss计算与反向网络训练)2.4 输入图片的预处理第3...原创 2021-12-29 21:13:52 · 2666 阅读 · 2 评论 -
[YOLO专题-4]:YOLO V1 - 网络结构、原理、基本思想的全新、全面、通俗、结构化讲解
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录第1章 YOLO V1应运而生1.1 Faster R-CNN的出现与不足1.2YOLO V1的出现1.3YOLO V1的优点1.4YOLO总体的网络结构1.5YOLO V1的总体网络架构第2章 YOLO V1网络的图片输入2.1 输入图片或视频(用于网络的前向预测)2.2 图片的标签(用于Loss计算与反向网络训练)第3章YOLO V1 前向特...原创 2021-12-26 22:39:12 · 17613 阅读 · 2 评论 -
[人工智能-深度学习-71]:计算机视觉 - 主要任务快速可视化概览
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:图像分类 图像分类 + 图像定位 目标检测:画方框 目标分割(轮廓):抠图图像分类 语义分割 目标检测 实例分割(轮廓)目标检测 语义分割(轮廓):按照语言记性分割,相同类型的物体组合成一起分割 实例分割(轮廓):按照个体实例进行分割。 目标定位 全景分割:所有物体进行实例分割分类 目标检测 实例分割(轮廓):相同类型的物体独立分割,区分独立物...原创 2021-12-27 22:48:37 · 15691 阅读 · 0 评论 -
[人工智能-深度学习-70]:数据集 - 目标检测常见公开数据集之MS COCO
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录第1章MS COCO概述1.1 概述1.2 数据集分类第2章 与PASCAL VOC数据集比较2.1COCO数据集的特点2.2 COCO与VOC目标数量比较2.3 更进一步的比较2.4 每张图片上的类别数量或者实例数量的分布第3章 MS COCO数据集的文件组织第4章 MS COCO数据的标签文件的格式: JASON第1章MS COCO概述1....原创 2021-12-27 20:17:21 · 16184 阅读 · 0 评论 -
[人工智能-深度学习-69]:数据集 - 目标检测常见公开数据集之PASCAL VOC
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录前言:第1章PASCAL VOC1.1PASCAL VOC概述1.2PASCAL VOC数据集概述1.3 PASCAL VOC数据集中对象的类别1.4 数据集中图片与目标的数量第2章 数据集的文件组织2.1 主要的文件目录:第3章 目标检测的标签文件格式3.1 标签的标准3.2 内容解析3.3 标签的创建第4章 输出格式4.1 分类任...原创 2021-12-27 16:57:58 · 16514 阅读 · 0 评论 -
[人工智能-深度学习-68]:数据集 - 如何使用labelme给自定义图片打标签
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:前言:与分类的图像打标签不同,目标识别的标签包含了更多的信息。理解训练数据集的打标签方法,对于理解YOLO的算法还是很有帮助的,而个训练集数据打标签又是一个容易理解的工作。因此,在学习YOLO算法之前,我们先看看,如何给用于目标检测的图像数据打标签。打标签是一件很枯燥而又繁琐的事,因此必须借助软件工具了完成。本文使用基于Python语言编写的工具labelme来完成打标签的工作,详解解原创 2021-12-25 20:33:19 · 19795 阅读 · 0 评论 -
[YOLO专题-2]:总体-YOLO目标检测的网络总体架构与核心概念
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录前言说明:第1章 目标检测1.1 什么是目标/物体(Object)1.2目标检测(Object detect)1.3 一步(one stage)与两步(Two stage)1.4 分类(Classfic)与回归(Regression)第2章 输入与网格、方框2.1网格Grid或Cell(这是YOLO的算法的基础)2.2 方框(坐标)2.3真实的方框、...原创 2021-12-25 16:51:37 · 3218 阅读 · 2 评论 -
[YOLO专题-3]:总体-目标检测的常见模型评估指标
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录前言:1. FLOPS (floating-point operations per second): 注意全大写,2. FLOPS(floating point operations): 注意s小写3. FPS (每秒传输帧数(Frames Per Second))4. IoU交并比(Intersection-over-Union)5. 精度与召回率6. mAP...原创 2021-12-25 17:02:54 · 17764 阅读 · 0 评论 -
[人工智能-深度学习-67]:目标检测 - 常见目标检测算法大汇总
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:https://blog.csdn.net/HiWangWenBing/article/details/122115271目录第1章 目标检测概述第2章 常见的Two-Stage算法2.1R-CNN2.2Fast R-CNN2.3Faster R-CNN第3章常见的One-Stage算法3.1SSD3.2 YOLO第4章 汇总比较4.1 汇总比较第...原创 2021-12-24 10:17:22 · 23033 阅读 · 0 评论 -
[人工智能-深度学习-66]:架构 - 人工智能的学习误区与正确思路、方法
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录前言:第1章 常见的学习的误区1.1 自学论文:1.2 自学书本:1.3 直接看代码第2章 较好效果的学习思路2.1 实践+理论+代码三步骤的学习思路2.2 层层叠叠,不断演进的思路2.3 视频教学课程 + 网络自学 + 代码实践 + 同行讨论相结合的思路前言:可以说,本文是前阶段学习《深度学习+pytorch》到目前阶段,各种学习方法、实践的反思与总结原创 2021-12-24 10:09:55 · 15378 阅读 · 0 评论 -
[YOLO专题-1]:总体-概述、发展史与学习路径
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:第1章什么是YOLO1.1 概述YOLO是一种优秀的目标检测算法与通用的解决框架,它不仅仅做物体检测,还可以进行人脸、动物等各种实物检测。YOLO在发展过程中在保持速度优势的同时,不断改进网络结构,同时汲取其它优秀的目标检测算法的各种优点。YOLO目标检测算法问世以来,每年都会有各种新的算法迭代更新,它具有自身显著的优势而备受人们青睐。YOLO是目标检测领域的首选。目标检测分为两.原创 2021-12-24 11:48:32 · 17775 阅读 · 0 评论