目标检测
文章平均质量分 70
记录研究生期间目标检测的学习
包括但不局限以下内容
1、数据集处理
2、目标检测算法介绍
3、目标检测技巧
张飞飞飞飞飞
Hello World
展开
-
目标检测-YOLOv9简介
论文链接:YOLOv9是由Chien-Yao Wang、I-Hau Yeh和Hong-Yuan Mark Liao共同提出的新一代目标检测系统,它是YOLO(You Only Look Once)算法系列的最新版本。YOLO系列算法以其速度快和准确性高而闻名,在实时目标检测领域有着广泛的应用。YOLOv9在前代版本的基础上进行了显著的改进,旨在解决深度学习中信息丢失的问题,并提高模型在各种任务上的性能。原创 2024-04-23 08:35:35 · 1243 阅读 · 0 评论 -
目标检测-AnyLabeling标注格式转换成YOLO格式
Anylabel可以极大的增加数据的标注效率,但是其标注格式如何能转换成YOLO标注格式,具体内容如下所示。关于AnyLabeling的其它详细介绍如下链接所示Github链接。原创 2024-05-30 08:33:47 · 588 阅读 · 0 评论 -
目标检测-空间金字塔池化及其变体
空间金字塔池化(Spatial Pyramid Pooling, SPP)及其变体是深度学习中用于目标检测任务的一系列技术,它们能够提高模型对不同尺度目标的识别能力。原创 2024-04-25 21:01:25 · 485 阅读 · 1 评论 -
目标检测-YOLOv7训练报错_pickle.UnpicklingError: STACK_GLOBAL requires str
检查是由于数据标签的cache的原因。因此删除.cache文件。原创 2024-05-08 10:16:51 · 540 阅读 · 0 评论 -
目标检测-YOLOv9之PGI可编程梯度信息
在深度神经网络的训练中,梯度信息对于指导网络参数的更新至关重要,但是随着网络深度的增加,输入数据在前向传播过程中不可避免地会出现信息损失,导致深层特征难以保留浅层特征中的一些重要信息,这被称为信息瓶颈问题。:一个附加的网络分支,与主干网络并行。PGI模块的引入显著提升了YOLOv9在目标检测任务中的性能,同时由于可逆分支在推理阶段可以移除,PGI不会带来额外的计算开销,非常适合实时检测的应用场景。PGI模块的核心思想是通过引入辅助监督信号,为主干网络提供额外的梯度信息,从而纠正和增强原有的梯度。原创 2024-04-22 18:31:54 · 886 阅读 · 0 评论 -
目标检测-动态检测头Dynamic Head
提出了一个统一的头部框架,通过在特征张量的三个维度上应用不同的自注意力机制来实现。理解对象检测头部的改进,并探索如何同时实现尺度感知、空间感知和任务感知。原创 2024-04-23 18:27:10 · 347 阅读 · 0 评论 -
目标检测-RT-DETR的Decoder部分
RT-DETR(Real-Time Detection Transformer)是一种高效的目标检测模型,它结合了Transformer架构的优势,特别是通过其Decoder部分实现了对目标检测任务的端到端解决方案。RT-DETR的Decoder部分是模型的核心之一,它负责将编码器的输出转换为最终的检测结果,包括边界框坐标和类别预测。原创 2024-04-21 15:52:16 · 1015 阅读 · 0 评论 -
目标检测-YOLOv9之GELAN泛化高效层聚合网络
GELAN的设计考虑了实时应用的需求,旨在实现高精度的同时保持网络的轻量化和高速度。此外,GELAN的架构也为YOLOv9的PGI(可编程梯度信息)模块提供了支持,PGI模块通过辅助可逆分支和多级辅助监督进一步提升了网络的训练效率和检测性能。:该模块由一个2x2的池化层和一个3x3的卷积层组成,用于实现特征图的下采样,即降低特征图的空间分辨率,同时增加通道数,有助于提取多尺度的特征。:GELAN的设计注重减少计算量和参数数量,同时保持检测性能,使其适合在资源受限的设备上运行。原创 2024-04-22 18:43:11 · 1365 阅读 · 0 评论 -
目标检测-YOLOv4训练报错问题(RuntimeError: indices should be either on cpu or on the same device as the indexe)
at device居然在CPU上,然后用。居然再次报错,不过好在不是同一个地方报错。此处博客有个问题,转换数据类型应该是。把 at转移到GPU上,然后再运行。:新版本的torch无法自动执行。首先定位到报错的位置。原创 2024-04-25 13:59:06 · 267 阅读 · 0 评论 -
目标检测-yolov9之ADown降采样模块
YOLOv9中的ADown模块是一种用于目标检测任务中的下采样操作的卷积块。在深度学习模型中,下采样(downsampling)是减少特征图空间维度(即宽度和高度)的过程,同时可能增加通道数以捕获更高层次的特征表示。实测在YOLOv8中有提点。原创 2024-04-21 09:59:48 · 1763 阅读 · 2 评论 -
目标检测-图片与标签不一致问题(YOLO标签为例)
当你在训练代码时,是否遇见过图片与标签不一致的情况?使用代码前请确保,且。原创 2024-04-20 11:10:19 · 276 阅读 · 2 评论 -
目标检测-PIDXray数据集转换为YOLO格式
阅读原文可知该数据集并未划分测试集,仅有训练集和验证集。下载PID数据集后可以发现 其目录如下所示。JSON格式转YOLO格式代码如下链接。共计12个类别,其类别如下。其标注文件格式为JSON。PIDXray数据集链接。PIDXray论文链接。原创 2024-04-20 10:53:24 · 415 阅读 · 0 评论 -
目标检测-OPIXray、HIXray数据集格式转换为YOLO格式
第一处修改位置:11行代码img_dir="D:\desk\X-Ray\imgs" #修改为自己的图片路径目录第二-四处修改位置:51-53行代码txt_dir = r"D:\desk\X-Ray\labels" #修改为自己的原始标签路径img_dir = r"D:\desk\X-Ray\imgs" #修改为自己的原始图片路径save_txt_dir = r"D:\desk\X-Ray\new_labels" #修改为自己的标签保存路径。原创 2024-01-08 15:35:50 · 736 阅读 · 4 评论 -
目标检测-从大尺寸图片截取包含目标的训练图片
把分辨率为3000*4000的图片。当时处理机场异物数据集时写的代码。截图为1000*1000的图片。以及生成对应的标签文件。原创 2023-10-26 13:10:35 · 33 阅读 · 0 评论 -
目标检测-根据YOLO格式标签统计类别数量
根据自己的类别进行修改,注意对应自己的类别。修改为自己的标签所在路径即可。代码仅供自己学习使用。原创 2023-10-26 11:18:47 · 902 阅读 · 2 评论 -
目标检测-可视化YOLO格式标签
功能,仅需修改以下几部分即可使用本代码。在以下链接的基础上,增加了。本代码仅供本人学习使用。根据自己的类别替换列表。替换为自己的标签根目录。替换为自己的图片根目录。可视化的结果保存根目录。原创 2023-10-26 10:48:06 · 800 阅读 · 0 评论 -
目标检测-常用评价指标
在网络模型定义好后加入以下代码即可完成对参数量的计算。原创 2023-10-25 18:36:08 · 211 阅读 · 0 评论 -
目标检测-注意力机制
目标检测注意力机制汇总原创 2023-10-25 14:55:08 · 315 阅读 · 0 评论 -
目标检测-数据处理,YOLO2JSON、VOC2YOLO、YOLO2VOC、JSON2YOLO
目标检测数据集格式转换原创 2023-10-25 11:50:14 · 681 阅读 · 0 评论 -
目标检测-数据划分(YOLO格式)
数据划分-目标检测把YOLO格式的数据集划分为训练集、验证集和测试集原创 2023-10-25 14:08:47 · 195 阅读 · 0 评论