博观约取，厚积薄发

多年来，YOLO系列一直是高效物体检测的事实上的工业级标准。YOLO社区以压倒性的优势丰富了它在众多硬件平台和丰富场景中的应用。在这份技术报告中，我们努力把它的极限推到一个新的水平，以坚定不移的心态向工业应用迈进。考虑到现实环境中对速度和 accuracy 的不同要求，我们广泛地研究了来自工业界或学术界的最新的物体检测进展。具体来说，我们大量吸收了最近的网络设计、训练策略、测试技术、量化和优化方法的思想。在此基础上，我们整合了我们的想法和实践，建立了一套不同规模的 可部署(

本文定义的类别不平衡问题：在图像分类问题中，不同类别的图像的个数不同，并且差异较大。在目标检测问题中，目标类别的个数区别较大。这都是类别不平衡问题。原理：当训练图像的所有时, 我们可以更改, 即而达到更改的目的。然后根据 图像权重 重新采集数据，这在图像类别不均衡的数据下尤其重要。使用 YOLOv5/v7 训练自己的数据集时，各类别的标签数量难免存在不平衡的问题，在训练过程中为了就减小类别不平衡问题的影响，YOLOv5/v7 中引入了和的设置。

在 5 FPS 到 160 FPS 的范围内，YOLOv7 在 speed 和accuracy 上都超过了所有已知的目标检测器，并且在 GPU V100上 30 FPS 或更高的实时目标检测器中，YOLOv7 有最高的 56.8% AP的accuracy。YOLOv7-E6 目标检测器( 56FPS V100，55.9%AP) 比基于 transformer 的检测器 SWINL Cascade-MASK R-CNN(9.2 FPS A100，53.9%AP) 的 speed ............

📚 This guide explains how to use Test Time Augmentation (TTA) during testing and inference for improved mAP and Recall with YOLOv5 🚀. UPDATED 25 January 2022.Before You StartClone repo and installrequirements.txtin aPython>=3.7.0environment, inc....

📚本指南解释了如何正确地 在一个或者多个机器上 使用 多gpu 在一个数据集上训练训练YOLOv5🚀。2022年4月6日更新。https://github.com/ultralytics/yolov5/issues/475在开始之前克隆仓库并且在一个Python>=3.7.0环境下安装requirements.txt，包括PyTorch>=1.7.Models和datasets自动下载 从最新的 YOLOv5release.git clone htt......

1. 下载源码：wget https://github.com/ultralytics/yolov5/archive/refs/tags/v6.1.zipunzip v6.1.zip && rm v6.1.zip2. 添加 yolov5-6.1/data/VOCTVlogo2022.yaml。这里我是YOLO v5 训练自定义数据集_星魂非梦的博客-CSDN博客复制的。3. 下载预训练权重:wget https://github.com/ultralytics/yolov.

文章链接：https://arxiv.org/pdf/2107.08430.pdfYOLOX是2021年8月 旷视发布的一篇论文，它是继YOLOv1后第一篇Anchor-free 的YOLO目标检测框架。本文对论文进行学习。YOLOX: Exceeding YOLO Series in 2021摘要YOLOX：anchor-free；decoupled head；label assignment strategy：SimOTAYOLONano：0.91M parameters；1.0

介绍YOLO家族目标检测是计算机视觉研究的重要课题之一。大多数计算机视觉问题都涉及到检测视觉对象类别，如行人、汽车、公共汽车、人脸等。这一领域不仅局限于学术界，而且在视频监控、医疗保健、车载传感和自动驾驶等领域具有潜在的现实商业用例。许多用例，特别是自主驾驶，都要求高精度和实时推理速度。因此，选择一个对象检测器，适合的速度和准确性成为必不可少的法案。YOLO (You Only Look Once)是一个单级对象检测器，用于实现两个目标(即速度和准确性)。今天，我们将通过涵盖所有YOLO变体(如

下面的内容是对 YOLOv5-yolov5s TensorRT部署前的准备之导出可用的ONNX。之前已经写过部分内容，但是还不够详细。1. YOLOv5-6.0版本以下内容以 6.0 版本为准。修改导出文件： def forward(self, x): z = [] # inference output for i in range(self.nl): x[i] = self.m[i](x[i]) # conv2d

本文下载的论文是 arXiv:2007.12099v3 [cs.CV] 3 Aug 2020PP-YOLO: An Effective and Effificient Implementation of Object Detector百度摘要Due to limitation of hardware, it is often necessary to sacrififice(牺牲)accuracy to ensure the infer speed of the detector in p.

5.0 版本发布了 YOLOv5-P6 模型。This release implements YOLOv5-P6 models and retrained YOLOv5-P5 models. All model sizes YOLOv5s/m/l/x are now available in both P5 and P6 architectures:YOLOv5-P6models:4 output layersP3, P4, P5, P6 at strides 8, 16, 32, 64 tr...

YOLOv5-v6.0-网络架构详解，包含架构图

4. 损失函数4.1 正负样本分配4.2 损失函数

前文链接：YOLOv5-v5.0-yolov5s网络架构详解（第一篇）_星魂非梦的博客-CSDN博客YOLOv5-5.0v-yaml 解析(第二篇)_星魂非梦的博客-CSDN博客YOLO Input Backbone Neck Head 置信度Loss 坐标回归Loss 分类Loss v1 448*448 GoogleNet FC*2 MSE v2 32x DarkNet-19 Passth.

YOLOv5 中网络结构的配置使用 yaml 文件。模型详解。

趁热打铁。上节分析了 v5.0 的 yolov5s 模型架构，本节顺便把 v6.0的图也画下。官方代码中贴心的给提供了 onnx 文件，如下图：但是，当我打开 onnx 的时候，我麻了...所以，还是需要自己生成下 onnx 文件。打开export.py 惊喜发现，代码中提供了onnx-simplifier导出，这种导出的模型更加简洁。https://github.com/daquexian/onnx-simplifierhttps://github.com/daquexian/o...

来自：Tips for Best Training Results 📌 - YOLOv5 DocumentationTips for Best Training Results训练最好结果的技巧👋 Hello! 📚 This guide explains how to produce the best mAP and training results with YOLOv5 🚀.Most of the time good results can be obtained with no cha

源码：GitHub - ultralytics/yolov5 at v5.0由于YOLO v5 代码库在持续更新，如上图，有多个版本，每个版本的网络结构不尽相同。以下内容以 v5.0 为准，网络结构选用 yolov5s。为了方便画图和理解网络结构，选用可视化工具：Netron 网页版进行可视化， 然后使用PPT作图。在Releases · ultralytics/yolov5 · GitHub找到 v5.0中的Assets 中的yolov5s.pt并下载该权重。下图为直接......

目标检测算法(YOLOv4)_Victory_gx的博客-CSDN博客_giou lossYOLO-从零开始入门目标检测 - 知乎睿智的目标检测30——Pytorch搭建YoloV4目标检测平台_Bubbliiiing的学习小课堂-CSDN博客_yolov4目标检测增强CNN学习能力的Backbone:CSPNet - 知乎YOLOv4特征提取网络——CSPDarkNet结构解析及PyTorch实现 - 知乎YOLOv4 介绍及其模型优化方法 - 知乎深度学习之学习（..

YOLO-从零开始入门目标检测 - 知乎睿智的目标检测30——Pytorch搭建YoloV4目标检测平台_Bubbliiiing的学习小课堂-CSDN博客_yolov4目标检测增强CNN学习能力的Backbone:CSPNet - 知乎YOLOv4特征提取网络——CSPDarkNet结构解析及PyTorch实现 - 知乎YOLOv4 介绍及其模型优化方法 - 知乎数据增强DropblockYolov4中使用的Dropblock，其实和常见网络中的Dropout功能类似，也是缓

可能还会继续丰富

YOLO v4 论文翻译

YOLOv3 的架构总结和损失函数理解以及正负样本分配

YOLOv3: An Incremental ImprovementAbstractAt 320*320 YOLOv3 runs in 22 ms at 28.2 mAP, as accurate as SSD but three times faster. When we look at the old .5 IOU mAP detection metric YOLOv3 is quite good. It achieves 57.9 AP50 in 51 ms on a Titan X, com

​​​​​​​yolov2 损失yolov2 输出 13*13*5*(4+1+20) 张量（VOC数据集）13*13 个 grid cell；每个 grid cell 有5个 预测框，每个预测框 有 4个坐标(x, y, w, h) + 1 个置信度(c) + 20 个条件类别概率。对于每张图像，损失函数包含两部分：遍历 每个grid cell， 假设 当前grid cell 的 5个 预测框 为 (b1, b2, b3, b4, b5)，5个 Anchor框 为 (A1,...

接上文YOLOv2 改进在哪里？BN 高分辨率分类器 引入 Anchor 对数据集进行 k-means 聚类得到Anchor 约束模型输出范围 底层细粒度特征 + 顶层特征 多尺度训练BN参考：批量归一化和层归一化_hymn1993的博客-CSDN博客_层归一化​​​​​​通常，将批量规范化层置于全连接层中的仿射变换和激活函数之间。优点：使深度网络容易训练（容易收敛） 改善梯度流（避免梯度消失和爆炸） 可以使用较大学习率，更快收敛 对网络初始化更加 稳健...

yolov5 训练自定义的voc 格式的数据

重新思考yolov1

图像分类和目标检测中的正负样本划分以及架构理解

本人对锚框的理解。锚框（anchor box）理解和代码实现 - 知乎