m0_70654337的博客

原创 BiFPN

BiFPN的各种类，代码里面有yolo.py文件的说明，yaml文件可以根据说明自己书写，可以应用至v5/v7。

原创 Python中类的传参问题

如下图所示，即便将k改为k1,仍然会把值传递过去，证明上上图的k与上图的k不同。下图的k=5并未传给self.m，最终self.m的参数k还是k=3。下图的k=5会传给self.m，最终self.m的参数k是k=5。注意此处的k于卷积类的定义的k不同。打印出来的模块信息如下图所示。

原创 Python中的位置参数及关键字参数

原创 YOLOv5的yolo.py文件的parse函数注释，结合C3和BiFPN对该部分进行注释

【代码】YOLOv5的yolo.py文件的parse函数注释。

原创 yolov5s.yaml文件解析

【代码】yolov5s.yaml文件解析。

原创 明确YOLOv5的yaml文件中C3模块的n

由上图断点处步入至C3的类，如下图所示，传入参数n=2，即Bottleneck的重复次数，上图打印出来的C3的构造也可看出Bottleneck的重复次数为2。返回至上上张图继续调试，进入下图的断点处，此处打印的是n_，不是n，所以对应的是2，但是是Bottleneck的重复次数，而不是C3的重复次数，C3仍为1。条件语句的判断是基于n而不是n_，所以此处C3的重复次数是n=1，只生成一个C3。然后重新给n赋值，使n=1，如下图所示，n_依然为2。下图是传参结果，经过计算后n = n_ =2。

原创 【无标题】PASCAL VOC简介

数据已分为 50% 用于训练/验证，50% 用于测试。在训练/验证和测试集中，按类别划分的图像和对象的分布大致相等。总共有 9,963 张图像，包含 24,640 个带注释的对象。其他博主链接：https://blog.csdn.net/qq_37541097/article/details/115787033。官网：http://host.robots.ox.ac.uk/pascal/VOC/训练/验证数据有 11,530 张图像。类别个数与2007一致。

原创 Github官网下载指定版本的代码库

参考链接：https://blog.csdn.net/qq_44237926/article/details/105940314。代码示例：git clone -b v6.2。回复如下，看来是不影响。

原创 用YOLOv5训练自己的数据集（VOC格式）

按照labelimg软件要求进行标注，此次项目数据已标好，按照软件要求存放照片和标注文件（xml），检查一下标注效果。生成4个txt文件，每个文件存储有不同图片的名称。使用脚本检查数据集的标注类别及其他信息。

原创 RepVGG论文中的相关知识点

以此也可知卷积核的每组通道数为1，输入通道数等于输出通道数等于分组数（也就是卷积核的通道数）。分组卷积（假设分为N组），每组卷积核的通道数为C1/N，每组卷积核的数量为C2/N。假设卷积核的长宽为H和W，则卷积核的通道数为C1，卷积核的数量为C2。此时卷积核的每组通道数为1，输入通道数等于输出通道数等于分组数。假设输入特征图的通道是C1，输出特征图的通道是C2，则分组卷积的参数量为C1/N *H*W* C2/N。对比可知，分组卷积的参数量为常规的 N分之一。则常规卷积的参数量为C1*H*W*C2。

原创 RepVGG论文解读

大体过程：先将每条支路的卷积层（无偏置）和BN层合为一个新的带偏置的卷积层，再将新的卷积层等效转化为3*3的卷积层，最后将各支路卷积层合并为单路径的卷积层。

原创 YOLOv7的yolov7.yaml详解

将YOLOv7模型流程图与yolov7.yaml文件进行一一对应，相互匹配。