关于上篇yolov5遇到图片预测尺寸问题

已于 2024-04-06 16:08:14 修改
阅读量432 收藏
点赞数 3
文章标签： YOLO
于 2024-04-06 15:58:25 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/m0_52053298/article/details/137430539
版权

上篇遇到的问题在经过多次尝试，进行预测对比之后到的了一个比较好的图片缩放比例以及img-size大小，因为yolov5中img-size的值通常为32的整数倍，于是我就设置值进行预测预测的结果进行对比，发现图片缩放到1024×736的尺寸，img-size设置608的大小得到的预测结果相较于其他的都要好。关于这方面还是要多进行测试对比。
但是对图片进行缩放后也会导致预测结果不太准确这是由于多方面的原因，缩放过程中可能会引入失真，特别是在像素插值过程中。失真可能导致图像细节丢失，从而影响模型的准确性。也有可能缩放的尺寸不合适，但是目前没有过多的精力去研究图片尺寸和img-size的匹配，只能大概找到一个合适的值

蜗牛a123
关注
  • 3
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
安全帽识别yolov5图片数据集
08-25
训练集有5269张图片，测试集有1766张。包含不同场景和不同颜色安全帽，有需要的可以下载。 学生私聊我留下邮箱及数据集名称，可免费发送，回复可能没那么及时请见谅！
YOLOv1---YOLOv5论文解读
10-10 2万+
基于Python设计，OpenCV,SSD,CNN,机器学习,CNN,SVM,BP神经网络，数字识别,贝叶斯,逻辑回归,卷积神经网络等算法的中文文本分类.车牌识别,知识图谱,数字图像处理,手势识别,边缘检测，图像增强,图像分类,图像分割，色彩增强，低照度。缺陷检测，病害识别，图像缺陷检测，裂缝识别，运动车辆跟踪检测系统,数字图像处理。模式识别，运动目标检测，交通标志物识别，疲劳检测等。YOLOv1 出自 2016 CVPR 论文 You Only Look Once:Unified, Real-Time O
深入浅出Yolo系列之Yolov3&Yolov4&Yolov5&Yolox核心基础知识完整讲解
热门推荐
江南研习社
05-21 15万+
因为工作原因，项目中经常遇到目标检测的任务，因此对目标检测算法会经常使用和关注，比如Yolov3、Yolov4算法。 当然，实际项目中很多的第一步，也都是先进行目标检测任务，比如人脸识别、多目标追踪、REID、客流统计等项目。因此目标检测是计算机视觉项目中非常重要的一部分。 从2018年Yolov3年提出的两年后，在原作者声名放弃更新Yolo算法后，俄罗斯的Alexey大神扛起了Yolov4的大旗。 在此，大白将项目中，需要了解的Yolov3、Yolov4系列相关知识点以及相关代码进行完整的汇总，希望和大家
yolov5-pytorch-Ultralytics训练+预测+报错处理记录
weixin_42179685的博客
05-03 1095
本篇使用的yolo5模型大小为yolov5l由于需要识别一图片些细小的物体，我在Ultralytics的yolov5添加了一些注意力机制，但本次不会展开说，因为添加注意力前后对我们训练和预测的操作流程都没有任何影响。训练+预测至此结束咯~~
史上最详细的Yolov3边框预测分析
逍遥王的博客
11-15 5万+
我们读yolov3论文时都知道边框预测的公式，然而难以准确理解为何作者要这么做，这里我就献丑来总结解释一下个人的见解，总结串联一下学习时容易遇到的疑惑，期待对大家有所帮助，理解错误的地方还请大家批评指正，我只是个小白哦，发出来也是为了与大家多多交流，看看理解的对不对。 论文中边框预测公式如下： 其中，Cx,Cy是feature map中grid cell的左上角坐标，在yolov3中每个g...
植物叶片yolov5图片数据集
08-25
yolov5图片数据集已打好标签，只适合yolov5,其他用途别下载。
YOLOv5 人脸口罩图片数据集带图片和文档，可直接训练
04-29
这是基于Yolov5标注的人脸与口罩数据集，包含图片和txt文档，可直接训练使用 约4000张不带口罩的人脸图片+4000张带口罩的人脸图片，含标注文件，符合YOLOv5格式，可直接训练。
使用yolov5,dnn和卡尔曼滤波（kalman）进行目标跟踪和预测
03-15
本项目中使用opencv的dnn模块对yolov5进行部署，增加卡尔曼滤波kalman算法，对检测目标进行跟踪和预测。可用于导航等领域的短暂目标丢失预测。
yolov5 船舶预测模型.pth
07-20
yolov5 船舶预测模型.pth yolov5 船舶预测模型.pth yolov5 船舶预测模型.pth，放入yolov5源代码可直接使用，对货船进行追踪检测使用，更多代码请私信获取！
深度学习之基于Yolov7驾驶员疲劳检测系统
2301_79809972的博客
05-17 982
一、项目背景随着汽车保有量的不断增加，驾驶安全问题日益受到人们的关注。驾驶员疲劳驾驶是导致交通事故的重要原因之一。因此，开发一种能够实时监测驾驶员疲劳状态并提前发出预警的系统对于保障驾驶安全具有重要意义。近年来，深度学习技术特别是目标检测技术在计算机视觉领域取得了显著进展，为驾驶员疲劳检测提供了新的解决方案。本项目旨在利用YOLOv7算法，开发一个基于深度学习的驾驶员疲劳检测系统。二、项目目标。
番外篇 | YOLOv8改进之更换主干网络MobileNetv3 + 添加CA注意力机制
最新发布
突然好想你
05-21 289
MobileNetv3是一种轻量级网络，采用了深度可分离卷积等轻量化技术，具有较小的模型参数量和计算复杂度，适合在计算能力较弱的设备上运行。本节课就让我们结合论文来对YOLOv8进行组合改进（更换主干网络MobileNetv3 + 添加CA注意力机制），希望同学们学完本节课可以有所启迪！🌈
YOLOv8改进 | 图像修复 | 适用多种复杂场景的全能图像修复网络AirNet助力YOLOv8检测（全网独家首发）
Snu77的博客
05-16 296
官方代码地址点击此处即可跳转 ​文章提出的一种名为AirNet（All-in-one Image Restoration Network）的全能图像修复网络。AirNet由对比基降解编码器（CBDE）和降解引导修复网络（DGRN）两个神经模块组成，能够在未知损坏类型和程度的情况下恢复受损图像。这两部分共同工作，能够处理多种类型的图像退化，而无需预先知道损坏的具体信息。
特征融合篇 | YOLOv8改进之引入多尺度特征融合iAFF，提升小目标检测能力
突然好想你
05-19 37
迭代注意力特征融合（Iterative Attentional Feature Fusion，iAFF）是一种用于图像分类的深度学习模型。它使用了多个不同的卷积神经网络（CNN）模型来提取图像特征，并通过迭代注意力机制将这些特征进行融合，以提高分类准确率。🌈
YOLOv9改进策略 | 图像去雾 | 利用图像去雾网络UnfogNet辅助YOLOv9进行图像去雾检测（全网独家首发）
Snu77的博客
05-20 646
本文给大家带来的改进机制是利用UnfogNet超轻量化图像去雾网络，我将该网络结合YOLOv9针对图像进行去雾检测（也适用于一些模糊场景），我将该网络结构和YOLOv9的网络进行结合同时该网络的结构的参数量非常的小，我们将其添加到模型里增加的计算量和参数量基本可以忽略不计这是非常难得的，因为其也算是一种图像增强算法，同时本文的内容不影响其它的模块改进可以作为工作量凑近大家的论文里，非常的适用，图像去雾检测为群友最近提出的需要的改进。欢迎大家订阅我的专栏一起学习YOLO！
YOLOv8 如何实现多主干特征融合方式 | GhostNet+ShuffleNet / SwinTransformer+ShuffleNet
weixin_39818775的博客
05-17 669
未来可以探索更多类型的轻量级主干网络,如 MobileNetV3、EfficientNet 等,并尝试将它们与 SwinTransformer 或其他高性能网络进行融合,进一步提升 YOLOv8 在移动端的性能和部署效果。通过将不同类型的轻量级主干网络组合,可以充分利用各自的优势,提升模型的特征提取能力和推理效率。YOLOv8 采用多主干特征融合的方式,可以有效提升目标检测的性能。多主干特征融合技术可以显著提升 YOLOv8 在资源受限设备上的目标检测性能,为智能设备的应用场景提供了更多可能性。
yolov5 用onnx推理支持按类别就行NMS
u012374012的专栏
05-20 828
self.names = ["face", "person","car","bicycle"] ##换成自己模型对应的类名即可。index = scores.argsort()[::-1] # 对检测框按照置信度进行从高到低的排序，并获取索引。对输入的图片进行目标检测，返回对应的类别的检测框,并可视化输出。x[:, :4]表示box（从二维看第0，1，2，3列）:param iou_thresh: IOU阈值。x[:, 5:6]表示类IDX（从二维看第5列）# 下面的操作为了安全，都是对索引处理。
YOLO损失函数——SIoU和Focal Lossr损失函数解析
知来者逆的博客
05-15 718
在深度学习的目标检测领域，损失函数扮演着至关重要的角色，它们不仅衡量模型预测与实际标注之间的差异，还引导模型参数的优化方向。SIoU (Shape-Aware IoU) 损失是一种用于边界框回归的先进损失函数，它综合考虑了形状、距离和纵横比的对齐，以提升模型的收敛速度和预测准确性。SIoU损失通过结合角度成本、距离成本、形状成本和IoU成本，优化了边界框的定位精度。
yolov8预测图片尺寸
09-19
根据提供的引用内容，关于yolov5的预测部分，通过模型的预测，得到的结果是一个torch.Size([1, 20160, 85])的张量。其中，20160表示预测的边界框数量，85表示每个边界框的预测结果包含85个值。 关于yolov8的预测图片尺寸，没有在提供的引用内容中找到相关信息。如果有关于yolov8的更多信息，请提供相关的引用内容，我将尽力回答您的问题。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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