小菜的博客

序言最近有个行为检测的需求，打算用行为识别做，纯小白入这个方向，啃了两周的TSM原理和源码，训练好自己的数据集后，发现好像没法应用到自己的需求场景？？玛德！算了，还是要记录一下。原理就没别要讲了，网上很多，感兴趣的可以自己去搜。一、数据准备首先把代码git下来temporal-shift-module，然后作者提供了一个mobilenetv2版本的手势识别在线demo，使用了tvm推理，在Jeston Nano能够达到实时，看着还不错的样子，赶紧试一下，可是我没有nano怎么办？没关系，修改一下。

序言银行卡卡号智能检测识别在现阶段的OCR应用中非常的广泛，各大app应用中也经常见到，因为最近项目中也有这样的需求，写篇文章记录一下。本文仅作为分析，思路较为简单，完整的代码和数据因为涉及到公司业务不会公开。一、需求分析首先明确项目的需求，在项目中要对银行卡的卡号进行定位并识别，总的来说分为两个步骤：一是卡号定位，也就是检测问题；二是对定位后的卡号进行识别，也就是识别问题。在第一步中，使用了YOLOv5对卡号进行检测，效果非常的奈斯，期间曾尝试过v3、v3-spp，效果都远不如v5好，这一步的主要难

序言前段时间nanodet爆火，以非常小的模型和运算量，取得了超过tiny-yolov4的精度，非常惊艳，因为时间问题一直没有尝试，最近有空决定尝试一下。先来看下作者给的模型效果一、nanodet安装首先安装nanodet的环境包：pip install Cython termcolor numpy tensorboard pycocotools matplotlib pyaml opencv-python tqdm然后安装nanodetgit clone https://github.c

序言昨天被YOLOX刷屏了，各大公众号强推：**性能超yolov5！！吊打一切yolo！！**看麻了我，标题还能再夸张点嘛？出于对前沿技术的渴望，还是要去学习学习，论文中改进了很多地方，这里就不再介绍，刷屏的文章中都已经介绍了，直接来看下作者给的性能对比图：左边是大模型的性能对比，右边是各自轻量型模型的对比。可以看到越靠近左上角性能越优。此外作者还一次性开源了tensorrt、ncnn、openvino、onnx部署代码，可谓业界良心，从训练到部署一条龙服务。习惯了yolo格式训练方式的我，在踩了无

所以本文记录如何加入新的网络模型进行训练，以repvgg为例，加入mobilenet、shufflenet等网络同配置。以及抽取pa100k数据集部分属性作为自己数据集进行训练，对于自主标记的数据集，按照相同格式准备即可。.........

序言前两天nanodet-plus隆重发布，又赚了一波热度，趁着年底有空，避免被卷死，赶紧学习一波；因为之前有过nanodet的训练实践经历，但是有好长一段时间没用了，代码看的都生疏了，还好作者将新版本合并到老仓库中，代码结构基本上没变，旧的配置文件修改依旧适用，重新上手起来也比较容易，这次打算拿之前的筷子数据集来试试效果，本文记录训练过程。与上一代NanoDet相比，在仅增加1毫秒多的延时的情况下，精度提升了30%。与YOLOv5-n, YOLOX-Nano等其他轻量级模型相比，在精度和速度上也都高了

PA-100K数据集是迄今为止用于行人属性识别的最大数据集，其中包含从室外监控摄像头收集的总共100000张行人图像，每张图像都有26个常用属性。这里针对PA100k进行训练。

使用yolov5训练非机动车驾驶状态的模型，检测内容为驾驶非机动车的人和车一体

项目需要用到高精度的车辆检测模型，最开始想的是直接使用yolov5或者yolox的coco预训练的模型，但是发现在实际场景中精度并不是很好，因为COCO数据集中有80个类，并且数据集的错误标签挺多的，直接白嫖到场景中会存在很多误检漏检的情况，素以还是得自己训练一个专门用来检测车辆的模型，本文记录一下训练过程。.........

yolov8训练筷子点数数据集