![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
CV基础
文章平均质量分 88
Aedream同学
对AI Prompt Engineering 颇有研究兴趣的CVer。
展开
-
【机器学习】全网最全模型评价指标(性能指标、YOLOv5训练结果分析、轻量化指标、混淆矩阵详解)【基础收藏】
【机器学习】全网最全模型评价指标(性能指标、YOLOv5训练结果分析、轻量化指标、混淆矩阵详解)【基础收藏】原创 2023-03-27 10:23:46 · 12757 阅读 · 8 评论 -
YOLOv10训练教程—用YOLOv10训练自己的数据集
YOLOv10 是清华大学研究人员在 UltralyticsPython 清华大学的研究人员在 YOLOv10软件包的基础上,引入了一种新的实时目标检测方法,解决了YOLO 以前版本在后处理和模型架构方面的不足。通过消除非最大抑制(NMS)和优化各种模型组件,YOLOv10 在显著降低计算开销的同时实现了最先进的性能。并用大量实验证明,YOLOv10 在多个模型尺度上实现了卓越的精度-延迟权衡。原创 2024-06-03 21:46:07 · 1616 阅读 · 2 评论 -
YOLOv9训练教程,并解决部分报错问题,必看❗❗❗
YOLOv9提出后部分博主发布了训练教程,但真的质量堪忧,甚至train.py, train_dual.py or train_triple.py该使用哪个都不对,因此报错❗❗。所以制作本期教程以供大家参考,如有错误欢迎指正交流🤝🤝。原创 2024-02-27 22:28:05 · 3530 阅读 · 13 评论 -
YOLOv9详细解读,改进提升全面分析(附YOLOv9结构图)
如今的深度学习方法重点关注如何设计最合适的目标函数,从而使得模型的预测结果能够最接近真实情况。同时,必须设计一个适当的架构,可以帮助获取足够的信息进行预测。然而,现有方法忽略了一个事实,即当输入数据经过逐层特征提取和空间变换时,大量信息将会丢失。本文将深入研究数据通过深度网络传输时数据丢失的重要问题,即信息瓶颈和可逆函数。我们提出了可编程梯度信息(PGI)的概念,以应对深度网络实现多个目标所需的各种变化。PGI可以为目标任务提供完整的输入信息来计算目标函数,从而获得可靠的梯度信息来更新网络权重。原创 2024-02-27 18:56:45 · 14935 阅读 · 8 评论 -
【深度学习】YOLOv8.1.0正式发布✨—解决取消requirements.txt问题,正确认识No module named ‘ultralytics‘✨✨✨
YOLOv8其实已经出来了很久,最近终于迎来第一个正式版本YOLOv8.1.0。ultralytics公司对代码进行了很多更新迭代,在这对一些问题做一些简单想法记录。希望对大家有所帮助,互相交流👍👍👍👍👍。原创 2024-01-12 19:39:14 · 5333 阅读 · 4 评论 -
【IoU全总结】GIoU, DIoU, CIoU, EIoU&Focal, αIoU, SIoU,WIoU【基础收藏】
边界框回归的三大几何因素:重叠面积、中心点距离、纵横比IOU Loss:考虑了重叠面积,归一化坐标尺度;GIOU Loss:考虑了重叠面积,基于IOU解决边界框不相交时loss等于0的问题;DIOU Loss:考虑了重叠面积和中心点距离,基于IOU解决GIOU收敛慢的问题;CIOU Loss:考虑了重叠面积、中心点距离、纵横比,基于DIOU提升回归精确度;原创 2023-06-15 10:09:38 · 4115 阅读 · 0 评论 -
【机器学习】pytorch安装——环境配置(极简教程)
最近重新配置环境,简单记录一下。最近chatgpt等大语言模型和ai绘图火热,也为了方便很多想自己训练模型的进行环境配置。如stabl diffusion等.确定显卡型号无脑安装最新显卡驱动安装pytorch:满足CUDA Runtime 版本原创 2023-05-06 16:40:18 · 1976 阅读 · 0 评论 -
concat与add操作辨析
add相当于加了一种prior,当两路输入可以具有“对应通道的特征图语义类似”(可能不太严谨)的性质的时候,可以用add来替代concat,这样更节省参数和计算量(concat是add的2倍。add为简单的像素叠加,是描述图像的特征下的信息量增多了,但是描述图像的维度本身并没有增加,只是每一维下的信息量在增加,这显然是对最终的图像的分类是有益的。concat是通道数的增加,也就是说描述图像本身的特征数(通道数)增加了,而每一特征下的信息是没有增加;横向或纵向空间上的叠加。add为简单的像素叠加,通道不变。原创 2023-03-20 10:45:00 · 1785 阅读 · 0 评论 -
Anchor based and Anchor free(无锚VS有锚)【总结】
anchor-based方法使用不同大小和形状的anchor框来回归和分类目标,例如faster rcnn、retinanet和yolo等。anchor-free,例如fcos、atss和cornernet等。anchor-free方法比anchor-based方法更简单和灵活,但可能存在召回率或定位精度低的问题。原创 2023-03-15 19:08:22 · 17805 阅读 · 3 评论