m0_55515326的博客

training里面是数据集的标签数据（官网下载下来后直接解压到这里的，当然与图片是对应的）。Car', 'Truck', 'Van'三类标签的数据将路径C:/Users/16942/Desktop/v7/kitti/voc/training/label_2里的txt标签转换为xmi的格式储存在。KITTI数据集的label虽然它是txt形式，但它拥有的独特数据格式不符合YOLO的训练。：首先在txt格式基础上进行实验所需类别的保留/合并操作，我这里只保留了car、van、及truck3个类别。

首先Ctrl+p进行打印选择，有wps PDF,JPG,....;选择“窗口”，将要导出的部分框出来，设定预打印图形；总之画了之后导不出来！导不出来的解决办法就是需要给他h指令之后进行拾取点标记（可以图各种颜色以及填充几种类型的线条！图可以画出来，尤其对于类似模方由多个小正方块组成的大正方体的图形！

静态语言比如C++，可以一次性编译完成；而脚本语言比如python每一次都需要源代码的参与，所以叫脚本语言，需要每一次的解释，用到解释器。首先了解了编程语言分为静态语言和脚本语言；

NMS（非极大值抑制）是目标检测的后处理过程，因为在检测一个特定目标时会出现的预测框不止一个，同时预测框上还伴随得分（理解为判断它是某个类别的概率有多大），我理解它是置信度；我们需要通过NMS这个过程将多余的预测框消除掉，在某个局部区域内找到得分最高（也就是最佳的）预测框作为目标检测框，而这个局部区域正是通过IOU（交并比）确定的，那么可以把iou(交并比)理解为目标检测NMS的一个依据(关键部分)。以上是我个人的理解，不清楚有没有表达明白，更不知道是否准确；请各位多多指正批评。

3、颈部：neck（主要通过金字塔特征结构将深层语义信息和浅层定位信息进行融合），利用FPN、PAN结构增强网络对不同尺度物体的检测能力，实现对同一物体不同尺寸以及尺度的识别。4、输出部分head：有3个检测头分别对原图像进行8倍、16倍、32倍的下采样，生成3个不同大小的特征向量用来预测图像特征，目标类别、置信度、生成边界框。1、输入部分：input（主要负责数据的预处理工作）mosaic数据增强操作。2、主干部分：backbone（主要负责特征的提取工作）

可以试试将torch.use_deterministic_algorithms(False)添加到train.py里面（反向传播）的这个位置处。我也是参考下面这位博主解决的，如果帮助到大家，并且有时间的话给这位博主点点关注，至于我为什么要发一下呢，就是想着如果多发一遍的话，更多需要这个解决方法的人可能更容易看到。

2、接下来主要是路径的问题了，绝对路径时往往都可解决，但是有时也不太行，必须得后面（路径末尾）加一个斜杠（/),同时还是单引号引起来的，实话讲我也不没理解为什么。最后这样就可以了path = 'C:/Users/16942/Desktop/yolov5-7.0/data/qx_cyc/'1、有时注意下数据格式有没有错，比如jpg格式和png格式的微小差别可能导致以上的结果；以下总结几个目前为止，我常见的原因，到时候大家可以试下这几个思路，万万不可以偏概全哈！

类似关于yaml的报错：有可能是yaml路径出问题了。

原来：origin_ann_dir = "C:\Users\16942\Desktop\YOLO\UA_data\tc_ml.py"

针对这个报错情况，我的源码与这位博主的不同，所以我放出来（下面提到的），有这样的两个例子存在，为了让大家参考以便更好理解。改后(等号左边不变，右边变了)：target_list = list(child)我的源码是：target_list = child.getchildren()