YOLOv5改进系列(二十二) 本文(2万字) | 8种热力图可视化方式 | GradCAM | XGradCAM | ScoreCAM | LayerCAM | HiResCAM | 等 |

已于 2024-01-31 16:35:44 修改
阅读量492 收藏 9
点赞数 9
文章标签： YOLO 深度学习 人工智能 热力图 可视化 CAM
于 2023-12-30 09:24:25 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/weixin_44302770/article/details/135276177
版权
人工智能专栏计划 专栏收录该内容
141 篇文章 7 订阅

已下架不支持订阅

点击进入专栏：
《人工智能专栏》 Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程

在这里插入图片描述

最近有同学问，一般不都是高强度的区域是以红色，低强度是蓝色吗？

一般是的，但是我用高强度的区域表示蓝色，低强度表示红色也是没问题的！
并且咱们这个代码两种效果都可以实现的！
我们直接在代码里面 ctrl + f ，搜索 use_rgb，一共有两个，分别在58 行和 265行，我们只要把use_rgb设置成 False 就可以了。

在这里插入图片描述

这个代码是基于 YOLOv5 v7.0 写的，直接加入到源文件即可，不需要改任何代码，直接可以使用

首先使用如下指令安装所需包：

<
了解本专栏 已下架不支持订阅
小酒馆燃着灯
关注
  • 9
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录

已下架不支持订阅

YOLOv5可视化热力图 | 支持自定义模型、置信度选择等功能(论文必备)
Snu77的博客
01-29 795
本文给大家带来的机制是的可视化热力图功能热力图作为我们论文当中的必备一环，可以展示出我们呈现机制的有效性，本文的内容支持YOLOv5最新版本，同时支持视频讲解，本文的内容是根据检测头的输出内容，然后来绘图。
YOLOv5.pt 的 10 种方式热力图可视化结果展示
07-12
YOLOv5.pt 的 10 种方式热力图可视化结果展示，包含 EigenCAM - EigenGradCAM GradCAM GradCAMElementWise GradCAMPlusPlus HiResCAM LayerCAM RandomCAM ScoreCAM XGradCAM
最新版的YOLOv5输出GradCAM热力图
opencv_new的博客
03-01 1575
例如：以上就是今天要讲的内容，本文介绍了最新的yolov5项目如何输出热力图，并详细介绍了整个处理流程，需要对大家有用。
【深度学习】使用 GradCam 热力图对 YOLOv5-7.0 进行即插即用的特征可视化
Mecaly的博客
03-29 797
【深度学习】使用 GradCam 热力图对 YOLOv5-7.0 进行即插即用的特征可视化
【yolov5 注意力热力图grad-cam的使用教程】
linpangmu的博客
06-19 2596
具体的图的示例【这里使用的是yolov5-7.0版本的yolov5s对应的权重】还是挺有效果的。然后 那个运行的进度条并不需要走到100才是正确的，虽然数值越大，输出的特征热力图就越大。下载对应版本的py文件，放在yolov5的目录下。如果不想要对应的标签框的话，可以注释掉第98行。在运行以后这两个数值差一才是正确的。的结果贴上去就行了。
YOLOv5热力图可视化GradCAM
liutuoqi123的博客
04-16 1253
本文是针对yolov5热力图可视化的实现过程，并指出其中需要更改的地方。更改后便可以即插即用，较为简单。
feature map 可视化之目标检测（提供github链接）
03-02 4359
看了下CAM（classactivationmapping）相关文章，想着自己搞一下YOLOV5 最后输出的三层head的featuremap可视化，好像有点效果。 输出的三张热力图是： 第一张:只靠confidence进行featuremap映射 第二张:只靠classes概率进行featuremap映射 第三张:将confidence*classes进行featuremap映射 第一层head效果： 第二层head效果： 第三层head效果： ...
基于YOLOv7实现GradCAM和GradCAM++可视化（源码+数据+说明文档）.rar
04-15
1、资源内容：基于YOLOv7实现GradCAM、GradCAM++可视化（完整源码+说明文档+数据）.rar 2、代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 3、适用对象：计算机，电子信息工程、数学等专业的...
计算机视觉YOLOv8模型热图可视化工具
12-30
这是一个基于YOLOv8模型的热图生成工具，可以用来分析和可视化深度学习模型在图像识别和目标检测任务中的关注点。该工具使用Grad-CAM技术生成覆盖在原始图像上的热图，从而揭示了模型在预测时赋予图像不同部分的重要...
模式识别与机器学习_第十周作业_2018011476_热力图_tSNE_MNISTTSNE_tsne可视化_tsnemnist_
09-10
实现canopy聚类和一致聚类算法，绘制对应的热力图、TSNE可视化图像（使用mnist数据集）
Unity 生成可控可视化三维热力图源码下载
03-17
1.可控可视化三维热力图； 2.颜色和具体范围数值可以根据自己项目需要自行修改。
目标检测算法之YOLO（YOLOv8）
weixin_52862386的博客
06-25 750
其中卷积模块是使用了类似于ELAN的CSPlayer_2conv，分类头采用了解耦结构并使用了anchor-free的方法，损失函数中引入了VFL损失，标签分配采取了类似于yolov6的TAL方法，训练策略是采用最后10个epoch关闭Mosaic数据增强的方式。DFL的思想是基于回归任务预测的唯一性导致模型难以精确的回归到目标值上，转而通过求概率分布的方式，使预测值在目标出取得较大的概率，从而实现一种通过类似于“模糊”定位的方式提高模型收敛的速度，同时提高检测模型的准确率。这里只分析VFL的损失值。
目标检测算法之YOLO（YOLOv7）
weixin_52862386的博客
06-25 918
从现在的角度去看yolov7，可以发现其ELAN的方法是有效的，在后续的版本中也多次被用到或者改进。而如今标签分配更多的是使用TAL策略。yolov7的热度明显不如yolov8，很多人在v7上fine-tune自己的数据集的效果甚至不如v5。不过这也是现如今新算法的一个普遍问题，许多算法过度追求SOTA从而导致模型的标签只能在某些数据集上取得较好的效果，所以对于新的算法更多的是去了解新的思想。然后在此基础上去创新或者调参，从而获得更好地模型效果。
YOLOv10（7）：YOLOv10训练（以训练VOC数据集为例）
tecsai的博客
06-28 432
我们在YOLOv10初探第一课中，已经涉及到了一些关于如何训练自己数据集的信息，接下来本节将以VOC数据集（VOC标注形式）来更详细的带领小伙伴们走一遍训练。
[数据集][目标检测]水面垃圾水面漂浮物检测数据集VOC+YOLO格式3749张1类别
最新发布
FL1623863129的博客
06-28 92
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注类别名称:["floating"]重要说明：图片分辨率均为416x416。图片数量(jpg文件个数)：3749。标注数量(xml文件个数)：3749。标注数量(txt文件个数)：3749。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
基于YOLOv5的交通标志检测的设计与实现（PyQT页面+YOLOv5模型+数据集）
weixin_43415275的博客
06-22 100
本报告介绍了一种基于YOLOv5的交通标志检测系统。该系统能够对图像和视频中的交通标志进行检测，并通过PyQt5实现图形用户界面（GUI），允许用户加载图像、视频文件，或使用摄像头进行实时检测。检测结果会显示在界面上，并且可以保存检测结果。
【YOLOv5/v7改进系列】引入RT-DETR的RepC3
2401_84870184的博客
06-28 688
在COCO数据集上，RT-DETR-R50和RT-DETR-R101分别达到了53.1%和54.3%的平均精度（AP），同时在T4 GPU上分别实现了108和74的帧每秒（FPS）。：经过Objects365数据集的预训练后，RT-DETR-R50和RT-DETR-R101的性能进一步提升至55.3%和56.2%的AP，显示了巨大的性能提升潜力。综上，RT-DETR通过其创新的设计，在保证实时性的前提下，实现了速度与准确性的优化，为实时目标检测领域带来了一种新的、性能优越的解决方案。
yolov5热力图可视化
03-31
要将YOLOv5的热力图可视化，可以使用以下步骤： 1. 导入YOLOv5模型，并使用模型进行推断来生成热力图。 2. 将热力图转换为RGB图像，以便可以在常规图像中进行可视化。 3. 使用OpenCV等图像处理库将RGB图像叠加在原始图像上，以便可以看到热力图在原始图像中的位置。 4. 可以使用不同的颜色映射方案来可视化热力图，以突出不同的高亮区域。 5. 最后，可以将可视化结果保存为图像或视频文件，以便进一步分析和展示。 以下是一个示例代码，展示了如何使用YOLOv5和OpenCV来可视化热力图： ```python import cv2 import torch import numpy as np from models.experimental import attempt_load from utils.general import non_max_suppression from utils.torch_utils import select_device # 加载YOLOv5模型 device = select_device('') model = attempt_load('yolov5s.pt', map_location=device) model.eval() # 定义预处理函数，将图像转换为模型可接受的格式 def preprocess(image): img = letterbox(image, new_shape=640)[0] img = img[:, :, ::-1].transpose(2, 0, 1) img = np.ascontiguousarray(img) img = torch.from_numpy(img).to(device) img = img.float() img /= 255.0 return img.unsqueeze(0) # 加载图像并进行预处理 image = cv2.imread('test.jpg') image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) input_tensor = preprocess(image) # 使用模型进行推断，并得到热力图 with torch.no_grad(): output = model(input_tensor) output = non_max_suppression(output, conf_thres=0.5, iou_thres=0.5, agnostic=False) heatmap = output[0][:, 4].cpu().numpy() # 将热力图转换为RGB图像 heatmap = cv2.resize(heatmap, image.shape[:2][::-1]) heatmap = np.uint8(255 * heatmap) heatmap = cv2.applyColorMap(heatmap, cv2.COLORMAP_JET) # 叠加热力图和原始图像 result = cv2.addWeighted(image, 0.5, heatmap, 0.5, 0) # 显示结果 cv2.imshow('Result', result) cv2.waitKey(0) cv2.destroyAllWindows() ``` 此代码将加载YOLOv5模型并使用其在一张图像上进行推断，然后将热力图转换为RGB图像，并将其叠加在原始图像上，最后显示结果。您可以根据需要进行修改和调整，以适应您的特定应用程序。

“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
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

打赏作者

小酒馆燃着灯

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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