YOLOv7增加map75

已于 2023-05-17 19:46:04 修改
阅读量794 收藏 18
点赞数 3
分类专栏： 深度学习 文章标签： 深度学习
于 2023-04-01 15:05:25 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44177768/article/details/129894379
版权

1.效果

运行  test.py 显示的结果

2.修改方法

找到  test.py

(1) 第 100 101 行

原版

 修改（3处）

(2) 第 225 226 行

原版

修改

(3) 第 233  238 行

原版

 修改

(4) 第 275 行

原版

修改

(5) 第 287 行

原版

修改

 运行 python  test.py 可以单独进行测试

I'mFAN
关注
专栏目录
芒果YOLOv5改进07：写作篇：实验结果新增mAP75的值(一)：新增打印mAP75的值，便于YOLOv5系列模型对比实验获取更多精度数据，丰富实验数据
包括YOLOv5、YOLOv7、YOLOv8等模型改进
03-08 3521
代码实践｜新增打印mAP75的值，便于YOLOv5系列模型对比实验获取更多精度数据，丰富实验数据
YOLOV7-增加评价指标map@.75（亲测有效，改动train_aux.py 与 test.py）
qq_44839773的博客
05-15 1730
近期利用自定义数据集训练了一下yolov7，训练平台是云服务器 Autodl ，显卡：TeslaT4（16GB）。由于在云服务器上训练，根据官网介绍，训练权重（.pt）采用，训练脚本采用 train_aux.py （具体可参照官网推荐。由于项目需求，想在训练与测试环节查看评价指标 map@.75（map@0.75）的值，由此发表记录一下如何添加打印效果。
YoloV7:训练自己得数据集详细教程
qianxun
07-11 1万+
美团刚刚发出yolov6，AB大神就带着yolov7来了。。。。。这速度是真快。。在 5-160 FPS 范围内速度和精度超过所有已知目标检测器。在 后不到两个星期，提出 YOLOv4 的团队就发布了更新一代的版本。本周三，YOLOv7 的论文被提交到了预印版论文平台 arXiv 上，其三位作者 Chien-Yao Wang、Alexey Bochkovskiy 和 Hong-Yuan Mark Liao 是 YOLOv4 的原班人马。相对于其他类型的工具，YOLOv7-E6 目标检测器（56 FPS V1
YOLOV7学习记录之mAP计算
pengxiang1998的博客
12-24 7154
如何评估一个训练好模型的好坏，是目标检测中一个很重要的因素，如常见的TP、FP、AP、PR、map等 视频可以参考：TP：被正确分类为正样本的数量；实际是正样本，也被模型分类为正样本 FP：被错误分类为正样本的数量；实际是负样本，但被模型分类为正样本 TN：被正确分类为负样本的数量；实际是负样本，也被模型分类为负样本 FN：被错误分类为负样本的数量；实际是正样本，但被模型分类为负样本 如下图举例： 红色是预测框，绿色是真实框。 假设阈值为0.5，意思就是预测框与真实框的IoU大于等于0.5时认为检测到目标了
YOLOv7默默更新了Anchor-Free | 无痛再涨1.4mAP
CV_Autobot的博客
03-12 3847
作者|小书童 编辑| 集智书童点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【目标检测】技术交流群「首先恭喜YOLOv7登录CVPR2023的顶会列车！！！」YOLOv7-u6分支的实现是基于Yolov5和Yolov6进行的。并在此基础上开发了Anchor-Free方法。所有安装、数据准备和使用与Yolov5相同，大家可以酌情尝试，如果电费不要钱...
YOLOV5 改进（增加注意力SE模块）：大型行人图像目标检测数据集
03-17
项目迭代了100个epoch，在runs目录下保存了训练结果，训练最好的精度map0.5=0.86，map0.5:0.95=0.54。训练过程中会生成验证集的混淆矩阵，PR曲线、F1曲线等等runs/detect目录下保存了网络推理训练集的全部结果，推理...
YOLOV5 改进（增加注意力SE模块）：大型飞机图像目标检测数据集
03-17
项目迭代了100个epoch，在runs目录下保存了训练结果，训练最好的精度map0.5=0.95，map0.5:0.95=0.71。训练过程中会生成验证集的混淆矩阵，PR曲线、F1曲线等等runs/detect目录下保存了网络推理训练集的全部结果，推理...
tensorflow-serving-yolov3:本项目主要对原tensorflow-yolov3版本做了许多细节上的改进,增加了TensorFlow-Serving工程部署,训练了多个数据集，包括Visdrone2019, 安全帽等, 安全帽mAP在98%左右, 推理速度1080上608的尺寸大概25fps
05-11
本项目主要对原tensorflow-yolov3版本做了许多细节上的改进, 增加了TensorFlow-Serving工程部署, 训练了多个数据集，包括Visdrone2019, 安全帽等, 安全帽mAP在98%左右, 推理速度1080上608的尺寸大概25fps. ...
基于YOLOv3模型的实时行人检测改进算法
03-15
本算法对YOLOv3模型进行改进,融入标签平滑,增加多个尺度检测,并采用k-means算法得到模型中的anchors值,实现自动学习行人特征。通过在Caltech数据集上测试结果表明,改进后的YOLOv3行人检测算法mAP(mean Average ...
基于改进Yolov5的花色布匹瑕疵检测方法
04-27
针对花色布匹瑕疵检测中大部分瑕疵目标较小、种类分布不均、部分瑕疵长宽比较为极端以及瑕疵与背景易混淆的检测难点，提出了一种基于YOLOv5网络改进的算法模型DD-YOLOv5;在骨干网络中采用上下文变换器网络(CoTNet),...
YOLO系列模型，yolov3-yolov7全方位对比实验参照，包括参数量Params，计算量GFLOPs，复杂度，mAP以及FPS等参照
qq_45294476的博客
07-19 1万+
YOLO系列模型，yolov3-yolov7全方位对比实验参照，包括参数量Params，计算量GFLOPs，复杂度，mAP以及FPS等参照
yolov7-计算mAP
qq_38069283的博客
01-14 573
有问题可以留言。
深入浅出 Yolo 系列之 Yolov7 基础网络结构详解
热门推荐
lilinke的博客
07-20 6万+
从 2015 年的 ** YOLOV1，2016 年 YOLOV2，2018 年的 YOLOV73，到 **2020 年的 YOLOV4、 YOLOV5， 以及最近出现的 ** YOLOV76** 和 ** YOLOV7** 可以说 YOLO 系列见证了深度学习时代目标检测的演化。对于 YOLO 的基础知识以及 YOLOV1 到 YOLOV5 可以去看大白的 YOLO 系列，本文主要对 YOLOV7 的网络结构进行一个梳理，便于大家直观的感受。 1. YOLOV7 整体结构 ...
【毕设教程】YOLOv7 目标检测网络解读
HUXINY的博客
07-25 4548
世界变化太快，YOLOv6还没用熟YOLOv7就来了，如果有同学的毕设项目想用上最新的技术，不妨看看学长的这篇文章，学长带大家简单的解读yolov7，目的是对yolov7有个基础的理解。从 2015 年的 YOLOV1，2016 年 YOLOV2，2018 年的 YOLOV3，到2020年的 YOLOV4、 YOLOV5， 以及最近出现的 YOLOV6 和 YOLOV7 可以说 YOLO 系列见证了深度学习时代目标检测的演化。对于 YOLO 的基础知识以及 YOLOV1 到 YOLOV5
yolov7 网络架构深度解析
zqwwwm的博客
07-20 3万+
yolov7网络结构深度解析
模型自动压缩工具实战：YOLOv7模型缩小75%，部署加速163%！
PaddlePaddle
08-16 2513
众所周知，YOLO系列算法在检测场景中获得了广泛应用，但是工程师追求“更准、更小、更快”的效率能力永无止境。本文为大家介绍一个低成本、高收益的AI模型自动压缩工具（ACT, Auto Compression Toolkit），在YOLO系列模型上利用基于知识蒸馏的量化训练方法，无需修改训练源代码，通过几十分钟量化训练，即可获得非常好的收益。举例来看：该方法在YOLOv7上模型体积降低75%，GPU...
yolov7模型训练结果分析以及如何评估yolov7模型训练的效果
weixin_43397302的博客
09-27 5万+
yolov7模型训练结果分析以及如何评估yolov7模型训练的效果
深度学习Day-20：DenseNet算法实战 乳腺癌识别
m0_51359915的博客
06-12 537
中的学习记录博客。
基于注意力机制卷积神经网络结合门控单元CNN-GRU-SAM-Attention实现柴油机故障诊断附matlab代码
最新发布
算法如诗的博客
06-13 486
基于注意力机制卷积神经网络结合门控单元CNN-GRU-SAM-Attention实现柴油机故障诊断附matlab代码
YOLOV7增加map0.75
07-27
您好！要将YOLOv7的mAP提高到0.75，您可以尝试以下几种方法： 1. 数据增强：通过对训练数据进行多样化的增强可以提高模型的鲁棒性和泛化能力。您可以尝试使用不同的图像增强技术，如旋转、裁剪、缩放、亮度调整等。 2. 调整超参数：YOLOv7有许多超参数可以调整，如学习率、批量大小、迭代次数等。您可以尝试不同的超参数组合来优化模型的性能。 3. 使用更大的数据集：增加训练数据集的规模通常可以提高模型的性能。您可以考虑收集更多的训练数据或者使用已有的数据集进行数据增强。 4. 网络结构改进：您可以尝试对YOLOv7的网络结构进行改进，例如增加更多的卷积层、调整卷积核大小、改变层次结构等。这样可能会增加模型的复杂度，但也有可能提高性能。 5. 使用预训练模型：您可以尝试使用在大规模数据集上预训练的模型作为初始权重，然后在您的数据集上进行微调。这样可以使模型更快地收敛并提高性能。 请注意，以上建议仅供参考，具体的调优方法可能需要根据您的具体情况进行调整和优化。祝您成功提高YOLOv7的mAP！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 10
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值