![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
脚本
文章平均质量分 63
Limiiiing
研究方向:计算机视觉;专注于计算机视觉模型改进与应用,图像处理,目标定位
展开
-
YOLOv9修改检测框颜色,粗细,标签大小,标签名称
在检测结果图中,官方的检测样式可能不满足我们的需求,常常修改更改检测框的颜色,粗细,标签背景颜色,大小,标签名称等内容,下面就介绍一下,这些地方如何修改。表示标签的名称,初始的是数据集中的标签,单标签的可以直接在这里进行修改成字符串的形式内容。表示标签的大小,和上方的标签背景大小一致,若修改,建议设置成同等大小。可以修改标签背景的颜色,修改方法和上方的一致,建议颜色和检测框一致。主要用来控制标签的背景相关信息,就是标签背后的那一块实心区域。中实现了绘图的相关代码,在这个文件的。绘制的是检测框的相关内容。原创 2024-08-31 10:15:13 · 106 阅读 · 0 评论 -
YOLOv9输出模型每一层的耗时和GFLOPs
在做一些比较实验中,如何更精确的查看和对比我们的改进模块时候有效,是否有提升,特别是在模型轻量化时,这时候我们就可以打印改进模型每一层的耗时和GFLOPS来比较不同模块的占用量。在YOLOv9中,打印模型每一层的耗时和GFLOPs使用的是。这样就可以查看每一层的耗时和GFLOPs了。原创 2024-09-01 09:21:07 · 32 阅读 · 0 评论 -
本地编写Markdown格式文件,浏览器查看
VsCode.md---代表分割线。原创 2024-08-31 21:50:04 · 334 阅读 · 0 评论 -
YOLOv7输出层之间的热力图
我们经常看到一些论文里绘制了不同的热力图,来直观的感受其模型的有效性。特别是使用了注意力模块的网络,热力图就可以验证注意力机制是否真正聚焦到了预期的重要特征上,以便对模型的有效性和合理性进行评估。此时就已经绘制完成了,在指定的文件夹下就已经输出了热力图了。本文就来记录一下如何使用python脚本来输出YOLOv7层之间的热力图。这篇文章中展示的,就很能够表达作者改进后的模型相比之前模型的一个优越性。的结果,其只会选择前0.02的目标进行热力图可视化。这个进度条的长度151是之前设定的参数。原创 2024-08-31 16:09:39 · 156 阅读 · 0 评论 -
绘制YOLOv9训练结果的mAP0.5变化曲线
在训练过程中的变化曲线(Python脚本),用以比较不同算法的收敛速度,最终精度等,并且能够在论文中直观的展示改进效果。变化曲线,数据来源是直接读取三个训练完成的。以下是比较了三个模型的。原创 2024-08-31 12:22:44 · 101 阅读 · 0 评论