qq_52060635的博客

可以使用自己的数据集，若使用自己的数据集，需要先对label进行voc格式转换，代码位于tools文件夹下voc.py，使用流程为使用train脚本训练网络，使用prediction脚本输出分割结果。图片位于data文件夹下，可以更换为自己的数据集，但需要保持图片为灰度图片，详情见：https://blog.csdn.net/qq_52060635/article/details/134148448?spm=1001.2014.3001.5502 初始任务为医学图像分割，可以用于其他图像处理。 详情见：https://blog.csdn.net/qq_52060635/article/details/134149072?spm=1001.2014.3001.5502 包含滑窗操作，具有层级设计的Swin Transformer滑窗操作包括不重叠的local window，和重叠的cross-window。将注意力计算限制在一个窗口中，一方面能引入CNN卷积操作的局部性，另一方面能节省计算量。

使用train.py文件训练网络，对于训练后的网络，使用infer.py可以得到网络输出的预测结果。通过改变myself.yaml文件可以实现训练自己的数据集，由于内存有限，未上传原始数据集，原始任务为医学图像检测，代码需在GPU上运行，建议使用服务器。预测的结果位于runs文件夹下。 如果有用喜欢的话，欢迎━(*｀∀´*)ノ亻!点赞收藏＋关注，任何问题都可以直接和我联系，详情可见我的博文： https://blog.csdn.net/qq_52060635/article/details/134149072?spm=1001.2014.3001.5502 YOLOv6 是美团视觉智能部研发的一款目标检测框架，致力于工业应用。论文题目是《YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications》。 本框架同时专注于检测的精度和推理效率，在工业界常用的尺寸模型中：YOLOv6-nano 在 COCO 上精度可达 35.0% AP，在 T4 上推理速度可达 1242 FPS；YOLOv6-

由于上传限制，需要数据集的可以联系，或自己找，可做医学图像疾病的检测或者图片物品的检测，也可做视频中人物识别，先使用train.py训练自己的网络，再使用detect.py输出检测结果，检测结果输出文件夹runs包含各项指标，可以和其他yolo系列作比较，可以作为毕设的基线，如果有用，欢迎━(*｀∀´*)ノ亻!收藏关注，任何问题可以向我提问。可以使用自己的数据集，默认在cpu上跑，要是使用GPU将.cpu换为cuda即可。 相关知识点可看https://zhuanlan.zhihu.com/p/172121380 Yolov5的网络结构图，可以看出，还是分为输入端、Backbone、Neck、Prediction四个部分。 详情见我的博文：https://blog.csdn.net/qq_52060635/article/details/134149072?spm=1001.2014.3001.5502

ResNet代码打开后位于net文件夹下，先使用train.py文件训练网络，再使用predict.py输出预测结果 Unet代码位于seg文件夹下，bladder为网络训练，valida为网络分割结果。 所有代码均可使用自己的数据集，对于分割网络需要标签 希望对大家毕设有帮助，任何问题可以私信问我。 网络训练可以使用GPU也可以使用CPU，默认笔记本使用CPU，若要用到GPU，将代码中.cpu改为cuda 详情见我的博文：https://blog.csdn.net/qq_52060635/article/details/134149072?spm=1001.2014.3001.5502 在ResNet网络中有如下几个亮点： 提出residual结构（残差结构），并搭建超深的网络结构(突破1000层) 使用Batch Normalization加速训练(丢弃dropout) Unet的好处是：网络层越深得到的特征图，有着更大的视野域，浅层卷积关注纹理特征，深层网络关注本质的那种特征