YOLOv8及其改进(三) 本文(5000字) | 解读modules.py划分成子文件 | 标签透明化与文字大小调节 | 框粗细调节 |

已于 2024-01-31 16:36:15 修改
阅读量1.2k 收藏 19
点赞数 23
文章标签： YOLO 机器学习 人工智能 深度学习 YOLOv8 modules
于 2024-01-03 10:29:36 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/135357365
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

本文详细介绍了YOLOv8的最新更新，包括如何在代码更新后添加模块，以及如何进行标签透明化、标签文字大小调节和检测框粗细调节。通过修改特定文件和参数，可以实现更佳的目标检测显示效果。
摘要由CSDN通过智能技术生成

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

文章目录

    • 前言
    • 原本添加模块流程
    • 具体步骤
  • 标签透明化 | 标签文字大小调节 | 框粗细调节
    • YOLOv8 标签透明化
    • YOLOv8 标签文字大小调节
    • YOLOv8 检测框粗细调节

前言

最近 YOLOv8 的官方项目又迎来了一个大更新，这次更新对基础不好的同学影响可能比较大，

这次更新主要就是将原本的 ultralytics/nn/modules.py 拆分成了以下6个文件：

  1. _init_.py
  2. block.py
  3. conv.py
  4. head.py
  5. trasnformer.py
  6. utils.py

有的同学可能不知道该加哪里了，我这里给大家说一下

原本添加模块流程

我们原本的添加模块的修改思路如下，以

了解本专栏 已下架不支持订阅
小酒馆燃着灯
关注
  • 23
    点赞
  • 踩
  • 19
    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

项目优化篇 | YOLOv8 标签透明化 | 标签文字大小调节 | 框粗细调节
YOLOv8项目贡献者
06-18 6113
YOLOv8 标签透明度调节
yolo修改标注框的线条粗细
yszbrzdd的博客
01-19 1059
测试训练出的模型时，发现标注框很粗，多个标注重叠，怎么解决
yolov8修改预测框上预测结果字体大小
m0_68212477的博客
02-29 2978
yolov8修改预测框上预测结果字体大小
Yolov8修改检测框标签字体大小
m0_73914064的博客
04-20 1625
改变标签大小
YOLOv5/v7改变预测框的标签文字大小
m0_57847261的博客
10-12 1424
找到box_label函数，在该函数内修改，该函数分为两个部分，一部分使用PIL进行图片上文字添加，另一部分使用cv2实现图片上文字添加。修改文件位于YOLO主路径下utils/plots.py。本博客只做了PIL下的标签大小修改，修改过程如下。
yolov8检测框过小解决方案
Suan2014的博客
07-11 2121
训练集上最大边长：ultralytics/yolo/utils/loss.py（此为8.0.117版本位置，前期版本位置不太一样，找到训练的loss函数即可），在loss函数中加入打印，即以下代码中的print。分析：dfl loss是检测框和真实框比较相近时（即在真实框的某个相近范围内），loss就会很小，个人理解是一种软标签，而我们平时用的box loss是硬标签，此时要加大box loss在loss中的权重。将self.reg_max设置为1，即不采用dfl loss，查看检测框是否正常；
《人工智能专栏》必读150篇 | 阅读推荐 & 专栏目录 & Python与PyTorch | 机器与深度学习 | 目标检测 | YOLOv5及改进 | YOLOv8及改进 | 关键知识点 | 工具
weixin_44302770的博客
12-28 1741
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。6. Python与PyTorch。5. YOLOv8及其改进。2. 深度学习与目标检测。4. YOLOv5改进。
《人工智能专栏》必读150篇 | 专栏介绍 & 专栏目录 & Python与PyTorch | 机器与深度学习 | 目标检测 | YOLOv5及改进 | YOLOv8及改进 | 关键知识点 | 工具
weixin_44302770的博客
12-25 936
《人工智能专栏》专栏介绍 & 专栏目录 & 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
项目-硬件与成熟软件系统集成子合同初验报告.doc
11-21
"项目-硬件与成熟软件系统集成子合同初验报告" 本报告是关于项目全称硬件与成熟软件采购子合同的初验报告，该报告涵盖了硬件与成熟软件的采购、安装、集成和验收情况。 知识点1：项目合同管理 在该报告中，合同...
matlab平方根法和改进平方根法求解线性方程组例题与程序文件.docx
06-24
本文主要探讨的是利用MATLAB实现的平方根法及其改进方法——改进平方根法，用于求解对称正定矩阵线性方程组。 一、平方根法（Cholesky分解） 平方根法，又称Cholesky分解，是针对对称正定矩阵的一种有效分解方法。...
YOLOX修改检测框、标签文字的粗细大小和标签百分比显示
m0_63215456的博客
12-15 2448
YOLOX修改检测框、标签文字的粗细大小和标签百分比显示
七. 部署YOLOv8检测器-deploy-yolov8-basic
最新发布
周同学的博客
09-08 1077
七. 部署YOLOv8检测器-deploy-yolov8-basic
[数据集][目标检测]西红柿缺陷检测数据集VOC+YOLO格式17318张3类别
FL1623863129的博客
09-05 568
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:["Bad","Good","Unripe"]图片数量(jpg文件个数)：17318。标注数量(xml文件个数)：17318。标注数量(txt文件个数)：17318。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
YOLOV5入门教程-yolov5s.yaml文件
vimpirespider的博客
09-04 1581
这段backbone共有9个层次，每个层次逐步提取图像特征并下采样。最后输出的特征图尺寸为40x40，通道数为1024。这个特征图包含了从输入图像中提取到的高层次特征，准备在后续的网络层中用于目标检测。
YOLOv8改进实战 | 注意力篇 | 引入基于跨空间学习的高效多尺度注意力EMA，小目标涨点明显
w94ghz的博客
09-04 223
YOLOV5入门教学 - yolo.py文件
vimpirespider的博客
09-05 691
深度调整：通过gd），减少某些层的深度，降低计算开销。宽度调整：通过gw），减少每层的输出通道数，使模型变窄，减少参数量和计算量。输出调整：通过确保输出通道数是硬件友好的倍数，便于优化计算效率。这个案例展示了YOLOv5模型是如何根据配置动态调整深度和宽度的，使得同一个网络架构可以适应不同的计算资源条件。处理模块的输入输出通道不同的模块需要不同的输入和输出通道处理方式，这段代码根据模块的类型动态调整其输入通道数c1和输出通道数c2。特定模块的逻辑对于卷积类模块（如C3），输出通道数由配置中的。
基于yolov8的电动车佩戴头盔检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
FL1623863129的博客
09-06 499
基于YOLOv8的电动车佩戴头盔检测系统利用了YOLOv8这一先进的目标检测模型，旨在提高电动车骑行者的安全意识，减少因未佩戴头盔而导致的交通事故风险。在实际应用中，系统可以实时处理来自摄像头或视频流的图像，快速检测骑行者的头盔佩戴情况，并在检测到未佩戴头盔时发出警报，提醒骑行者注意安全。此外，该系统还具备用户友好的界面，能够直观展示检测结果和相关信息，如检测耗时、目标数量等，便于用户监控和管理。基于YOLOv8的电动车佩戴头盔检测系统不仅提升了骑行安全，也为智能交通系统的发展提供了新的技术支持。
设S是n个不等正整数的集合,n为偶数.给出一个算法将S划分成子集S1和S2,使得|S1|=|S2|=n/2,
03-24
可以使用回溯算法来解决这个问题。回溯算法是一种通过尝试所有可能的解决方案来找到问题解的方法。 以下是划分集合S的回溯算法的步骤： 1. 初始化两个空集合S1和S2，用于存储划分后的子集。 2. 对集合S进行排序，以便能够按照从大到小的顺序选择元素。 3. 定义一个递归函数backtrack，该函数接受当前已经划分的元素个数count、当前已经划分的和sum、当前正在考虑的元素索引index作为参数。 4. 在backtrack函数中，首先检查是否已经找到了满足条件的划分，即count等于n/2。如果是，则返回true表示找到了解决方案。 5. 如果当前已经考虑完了所有的元素，但是还没有找到满足条件的划分，则返回false表示没有解决方案。 6. 否则，从当前索引开始遍历集合S的剩余元素。 7. 对于每个元素，将其加入到S1中，并递归调用backtrack函数，更新count和sum，并将index加1。 8. 如果递归调用返回true，则表示找到了解决方案，直接返回true。 9. 否则，将该元素从S1中移除，并将其加入到S2中，继续递归调用backtrack函数，更新count和sum，并将index加1。 10. 如果递归调用返回true，则表示找到了解决方案，直接返回true。 11. 如果遍历完所有的元素都没有找到解决方案，则返回false。 下面是算法的伪代码实现： ``` function partition(S): sort(S) // 对集合S进行排序 S1 = empty set // 初始化S1为空集合 S2 = empty set // 初始化S2为空集合 if backtrack(S, S1, S2, 0, 0, n/2): return (S1, S2) // 返回划分后的子集 else: return "No solution" // 没有解决方案 function backtrack(S, S1, S2, count, sum, index): if count == n/2: return true if index == length(S): return false if backtrack(S, S1, S2, count+1, sum+S[index], index+1): S1.add(S[index]) return true if backtrack(S, S1, S2, count, sum, index+1): S2.add(S[index]) return true return false ```
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