yolov5
文章平均质量分 84
yolov5相关
CodingInCV
计算机视觉硕士,专注视觉方面的算法和工程化
展开
-
yolov7改进之使用QFocalLoss
深度学习三大件:数据、模型、Loss。一个好的Loss有利于让模型更容易学到需要的特征,不过深度学习已经白热化了,Loss这块对一个成熟任务的提升是越来越小了。虽然如此,也不妨碍我们在难以从数据和模型层面入手时,从这个方面尝试了。原创 2023-11-01 22:35:32 · 863 阅读 · 0 评论 -
yolov7改进优化之蒸馏(二)
这一篇结合上一篇就可以吧基于FGD算法的蒸馏训练起来了,其他蒸馏的修改也大同小异了。原创 2023-10-23 22:05:15 · 806 阅读 · 6 评论 -
yolov5及yolov7实战之剪枝
这篇文章简述了以下yolov7的剪枝,yolov5也可用,希望对大家有帮助。原创 2023-09-26 23:45:10 · 2580 阅读 · 21 评论 -
在yolov7中训练yolov5模型,yolov5使用OTA loss
通过上述的修改,我们就可以像训练yolov7一样在yolov7项目中训练yolov5了,yolov5也能使用上yolov7的loss了。原创 2023-09-13 18:33:27 · 453 阅读 · 0 评论 -
yolov5初体验之皮卡丘检测
从接触深度学习开始一直都做的是人脸识别,基本上也一直都在用mxnet. 记得之前在刚接触的时候看到博客中写到,深度学习分三个层次,第一个层次是分类,第二个层次是检测,第三个层次是分割。人脸识别算是分类问题,也就是一直在第一个层次···一直都想有机会了解下第二个层次,奈何精力有限,工作中也没有实际的项目需要。最近正好有个不急的检测项目,趁此机会入门检测吧。原创 2023-06-25 17:45:42 · 302 阅读 · 1 评论 -
yolov5实战之模型剪枝
模型剪枝(Model Pruning)是一种通过减少神经网络模型中的冗余参数和连接来优化模型的方法。它旨在减小模型的大小、内存占用和计算复杂度,同时尽可能地保持模型的性能。模型剪枝的基本思想是通过识别和删除对模型性能影响较小的参数或连接,以达到模型精简和优化的目的。方法包括剪枝后的参数微调、重新训练和微调整体网络结构等。直观的理解就是像下图这样。模型剪枝可以在不显著损失模型性能的情况下,大幅度减少模型的参数量和计算量,从而提高模型的部署效率和推理速度。原创 2023-05-24 17:18:33 · 2063 阅读 · 1 评论 -
yolov5实战之二维码检测(含数据集及模型)
目录1.前沿2.二维码数据3.训练配置3.1数据集设置3.2训练参数的配置3.3网络结构设置3.4训练3.5结果示例附录:数据集下载1.前沿之前总结过yolov5来做皮卡丘的检测,用来熟悉yolov5的使用,不过总归是个demo型的应用,没啥实用价值。后来正好项目上有需要在成像条件不好的情况去检测二维码,传统的二维码检测方式基本上是通过角点检测定位二维码的三个定位点,在成像不好的时候,很容易失败。如果用深度学习去做鲁棒性就强很多,在检测到二维码之后,可以进行调焦或原创 2021-10-02 22:10:45 · 6413 阅读 · 10 评论