weixin_40293999的博客

很长时间没有做yolov的项目了，最近一看yolov8有一个区域计数的功能，不得不说很实用啊。b站：https://www.bilibili.com/video/BV1Ng4y1d7Yr/?

之前写个yolov8的一个试用版，【深度学习】Yolov8追踪从0到1, 这要是做计数啥的,简单的一批，一套工程化的代码，给自己挖了个坑，说要实现一个基于yolov8的人/车流量统计.现在要改进，想要做成能够处理多摄像头的，也就是多个摄像头共享一个算法来处理计数。

yolov5的detect.py 是默认batchsize=1的，而直接修改batchsize为更大的值，会使detect.py 不工作.因此本篇文章想解决两个问题：1.设置多大的bz合适2.如何修改detect.py 使其满足自定义的bz。

注意力机制是一个非常有效的trick，注意力机制的实现方式有许多。可以在知网上搜索一下yolov下的目标监测的硕士论文，没有一篇不提到注意力机制的迭代修改的，所以很有必要学一下．最后给出了一个例子。注意力机制的本质:就是寻址过程!几种典型的注意力机制:左侧是hard-attention，很极端只觉得某一步时最重要的。要么时0，要么是1， 太专一右侧是soft-attention，对整个encode的结果都觉分配了权重。

行人重识别是计算机视觉的基本任务之一，首先要有一个detector（检测器来检测到目标），然后将检测到的目标送入到tracker（追踪器）中，完成对相同目标的判别和追踪。基于此我们可以将这个技术用于：1.单摄像头车流量、人流量的计算2.但摄像头的追踪（徘徊检测）3.跨摄像头的追踪。很明显，任务3 要难于任务1， 任务2 是任务1的延续，需要引入一点其它技术。关于跨摄像头的追踪，我还没有想出好办法来，先留个坑。

本文要解决本地vscode链接远程服务器下的docker环境中的代码。场景，本地vscode链接远程服务器已经实现了，教程也很多，其好处是给了远程代码一个用vscode编辑的机会，而且还可以用远程服务器的python环境解析！但再进一步，本地vscode处理远程服务器docker下的项目是没有做到的. 本文就是尝试解决这个问题，然后再docker下完成yolov5 C++的运行，这个东西卡了我一个多月了。

应用场景vscode要ssh远程到docker容器中，想调试本地代码一样调试docker容器内的代码，先打个样子应用场景vscode要ssh远程到docker容器中，想调试本地代码一样调试docker容器内的代码，打样完成，说着完全是可行的后面：1、映射目录 2.python环境的管理设置。

先开个坑，朋友们可以在这里蹲续集！3.imagenet的数据…4.迭代的badcase数据。1.各大引擎爬取回来的数据。2.同事们帮我标注的数据。

几个数据集拼起来，不可避免的会遇到数据集重复的问题，以前就用过这个库，后来丢了，现在记录一下。git仓库: https://github.com/idealo/imagededup.git。

python不好用么，为什么还要转C++；yolov5的export.py 已经实现在python端的模型转化了啊？不需要c++的可以看这个《【深度学习】目标检测 yolov5模型量化安装教程以及转ONXX，torchscript，engine和速度比较一栏表》C++的学习曲线那么陡峭，性能在服务器端不如go，所以为什么不是go？

pythontrain.py--datajm_fire.yaml--weightsweights/gpu/yolov5m6.pt--img640--epochs500--workers1--batch-size16Traceback(mostrecentcalllast)File"train.py",line667,inmain(opt)File"train.py",line562,inmaintrain(opt.hyp,opt,device,callbacks)F。