💡💡💡本文解决什么问题：多尺度空洞注意力（MSDA）采用多头的设计，在不同的头部使用不同的空洞率执行滑动窗口膨胀注意力（SWDA），全网独家首发，创新力度十足，适合科研 1）与C2f结合；MSDA | GFLOPs从9.6降低至8.5， mAP50从0.921降低至0.909，mAP50-95从0.697提升至0.726Yolov8-Pose关键点检测专栏介绍：https://blog.csdn.net/m0_63774211/category_12398833.html✨✨✨手把手教你从数据标记到生成适合Yolov8-pose的yolo数据集；🚀🚀🚀模型性能提升、pose模式部署能力
环境声明：系统环境：Ubuntu18.04Jetsontx2架构：aarch64pytorch版本：1.12.1torchvision版本：0.13.1项目代码yolov5，v6.0yolov5版本：v6.0opencv-python：4.7.0虚拟环境：archiconda3注：archiconda作为aarch64架构的anaconda并不支持虚拟环境内部pip3和python3可执行文件，所以想在TX2直接用pycharm的虚拟环境应该是不行的目录环境声明：创建conda虚拟环境：condapython3.8环境创建创建yolov5文件夹 yolo文件下创建weights权重文件夹
使用labelme打标，得到json文件把所有json文件放到一个单独的文件夹，里面只有json文件使用脚本，把json里面的label,标注框的中心坐标、宽、高提取出来，注意这里的4个值都按照图像大小压缩了。脚本如下：importjsonimportosdefread_json(json_file):withopen(json_file,'r')asf:load_dict=json.load(f)f.close()returnload_dictdefjson2txt(json_path,txt_path):forjson_fileinos.listdir(json_path):txt_nam
1.训练好的pt模型转换为onnx格式使用yolov5-lite自带的export.py导出onnx格式，图像大小设置320，batch1之后可以使用onnxsim对模型进一步简化onnxsim参考链接：onnxsim-让导出的onnx模型更精简_alex1801的博客-CSDN博客pythonexport.py--weightsweights/v5lite-e.pt--img320--batch1python-monnxsimweights/v5lite-e.onnxweights/yolov5-lite-sim.onnx2.使用onnxruntime调用onnx模型实时推理（python版
💡💡💡本文独家改进：独家创新（Partial_C_Detect）检测头结构创新，适合科研创新度十足，强烈推荐SC_C_Detect| 亲测在多个数据集能够实现大幅涨点收录：YOLOv7高阶自研专栏介绍：http://t.csdnimg.cn/tYI0c✨✨✨前沿最新计算机顶会复现🚀🚀🚀YOLOv7自研创新结合，轻松搞定科研🍉🍉🍉持续更新中，定期更新不同数据集涨点情况1.Partial_C_Detect原理介绍为了设计快速神经网络，许多工作都集中在减少浮点运算（FLOPs）的数量上。然而，作者观察到FLOPs的这种减少不一定会带来延迟的类似程度的减少。这主要源于每秒低浮点运算（FLOPS）
yolov5的工程使用(以人员检测为案例)使用ubuntu为案例dockerrun--gpusall-it-p6007:6006-p8889:8888--namemy_torch-v$(pwd):/appeasonbob/my_torch1-pytorch:22.03-py3-yolov5-6.0使用端口映射功能也就是说打开jupyterlab的指令是http://localhost:8889/lab当然，个人建议直接去vscode端口点击就打开jupyterlab和tensorboard比较方便1.yolo数据格式YOLO格式的标签文件是一个纯文本文件，每个文件名对应一张图像，每个标签文件中
目标检测算法（R-CNN，fastR-CNN，fasterR-CNN，yolo，SSD，yoloV2，yoloV3，yoloV4,yoloV5,yoloV6，yoloV7）1.引言深度学习目前已经应用到了各个领域，应用场景大体分为三类：物体识别，目标检测，自然语言处理。目标检测可以理解为是物体识别和物体定位的综合，不仅仅要识别出物体属于哪个分类，更重要的是得到物体在图片中的具体位置。为了完成这两个任务，目标检测模型分为两类。一类是two-stage，将物体识别和物体定位分为两个步骤，分别完成，这一类的典型代表是R-CNN,fastR-CNN,faster-RCNN家族。他们识别错误率低，漏识别
论文代码地址：动态蛇形卷积官方代码下载地址论文地址：【免费】动态蛇形卷积(DynamicSnakeConvolution)资源-CSDN文库本文介绍动态蛇形卷积的灵感来源于对管状结构的特殊性的观察和理解，在分割拓扑管状结构、血管和道路等类型的管状结构时，任务的复杂性增加，因为这些结构的局部结构可能非常细长和迂回，而整体形态也可能多变。因此为了应对这个挑战，作者研究团队注意到了管状结构的特殊性，并提出了动态蛇形卷积（DynamicSnakeConvolution）这个方法。动态蛇形卷积通过自适应地聚焦于细长和迂回的局部结构，准确地捕捉管状结构的特征。这种卷积方法的核心思想是，通过动态形状的卷积核
原因：自己的数据集文件夹和dataset中的数据集名称不同。代码中要求的文件名是Images和Labels，可能自己命名的是image和label参考：https://code84.com/38177.html
超越CIOU/SIOU| Wise-IoU助力YOLO强势涨点！！！论文题目：Wise-IoU:BoundingBoxRegressionLosswithDynamicFocusingMechanism论文链接：https://arxiv.org/abs/2301.10051近年来的研究大多假设训练数据中的示例有较高的质量，致力于强化边界框损失的拟合能力。但注意到目标检测训练集中含有低质量示例，如果一味地强化边界框对低质量示例的回归，显然会危害模型检测性能的提升。Focal-EIoUv1被提出以解决这个问题，但由于其聚焦机制是静态的，并未充分挖掘非单调聚焦机制的潜能。基于这个观点，作者提出了
