目录2021.11.14复现过程：训练过程常见问题整理：之前简单地写了一个pytorch的U-net复现过程，有很多小伙伴在评论里有很多疑问，抽空又复现了一遍，简单整理了常见的问题。之前写的教程：U-net复现pytorch版本以及制作自己的数据集并训练_candice5566的博客-CSDN博客---------------------------------------------------------------------------------------------------------------------2021.11.14复现过程：github代码链接：https://

搬运一篇文章！阅读原文在深度学习里，Tensor实际上就是一个多维数组（multidimensionalarray）。而Tensor的目的是能够创造更高维度的矩阵、向量。对Pytorch中的tensor人工读取维度和形状的时候总是很别扭，故作此文加深一下对tensor维度，形状以及各维度意义的理解对于一维的张量表示行或列向量对于二维的张量[n,m]表示n行m列的矩阵对于三维的张量[p,n,m]表示p个切片，每个切片为n行m列的矩阵对于四维的张量以后的就不知道怎么解释了…补充另一个博主的理解：[[[1.,1.,1.,1.],[1.,1.,1.,1.],[1.,1.,1.,1.]],[[1.,1.

搬运一篇文章！阅读原文在深度学习里，Tensor实际上就是一个多维数组（multidimensionalarray）。而Tensor的目的是能够创造更高维度的矩阵、向量。对Pytorch中的tensor人工读取维度和形状的时候总是很别扭，故作此文加深一下对tensor维度，形状以及各维度意义的理解对于一维的张量表示行或列向量对于二维的张量[n,m]表示n行m列的矩阵对于三维的张量[p,n,m]表示p个切片，每个切片为n行m列的矩阵对于四维的张量以后的就不知道怎么解释了…补充另一个博主的理解：[[[1.,1.,1.,1.],[1.,1.,1.,1.],[1.,1.,1.,1.]],[[1.,1.

摘要：基于深度学习的高精度课堂人脸检测系统可用于日常生活中或野外来检测与定位课堂人脸目标，利用深度学习算法可实现图片、视频、摄像头等方式的课堂人脸目标检测识别，另外支持结果可视化与图片或视频检测结果的导出。本系统采用YOLOv5目标检测模型训练数据集，使用Pysdie6库来搭建页面展示系统，同时支持ONNX、PT等模型作为权重模型的输出。本系统支持的功能包括课堂人脸训练模型的导入、初始化；置信分与IOU阈值的调节、图像上传、检测、可视化结果展示、结果导出与结束检测；视频的上传、检测、可视化结果展示、结果导出与结束检测；摄像头的上传、检测、可视化结果展示与结束检测；已检测目标列表、位置信息；前向

1.YOLOv5模型简介YOLO能实现图像或视频中物体的快速识别，在相同的识别类别范围和识别准确率条件下，YOLO识别速度最快。YOLO有多种模型，其中最新的为V5，V5的特点是速度更快，识别准确率更高，权重文件更小，可以搭载在配置更低的移动设备上。本次测试采用V5模型，对各种场景下的车辆类型进行批量检测，对检测结果进行分析，重点是道路车辆类别能否得到正确识别，以探讨YOLOv5模型应用于车辆检测的可行性。2.测试环境搭建2.1下载源码本次测试采用的是YOLOv5官网提供的最新pytorch框架下的源码，下载完成后将其解压到一个不带中文字符的文件夹下。打开源码文件夹中的requirement.

1.YOLOv5模型简介YOLO能实现图像或视频中物体的快速识别，在相同的识别类别范围和识别准确率条件下，YOLO识别速度最快。YOLO有多种模型，其中最新的为V5，V5的特点是速度更快，识别准确率更高，权重文件更小，可以搭载在配置更低的移动设备上。本次测试采用V5模型，对各种场景下的车辆类型进行批量检测，对检测结果进行分析，重点是道路车辆类别能否得到正确识别，以探讨YOLOv5模型应用于车辆检测的可行性。2.测试环境搭建2.1下载源码本次测试采用的是YOLOv5官网提供的最新pytorch框架下的源码，下载完成后将其解压到一个不带中文字符的文件夹下。打开源码文件夹中的requirement.

前言深度学习小白一枚，自己的笔记本配置如下：显卡：NVIDIAGeForceMX150（非常垃圾的笔记本显卡）固态硬盘256GCPU：lntel®Core™i7-8550UWindows：Windows11家庭中文版其他配置：CUDA10.0pytorch==1.2.0torchvision==0.4.0cudatoolkit=10.0python3.6IDLE：PyCharmCommunityEdition2022.1.3一、在Anaconda安装Pytorch1.打开AnacondaPrompt在命令行格式下，输入代码，建立pytorch环境、安装pytorch、测试pytorch过程2.

这里介绍了Pytorch中已经训练好的模型如何使用Pytorch中提供了很多已经在ImageNet数据集上训练好的模型了，可以直接被加载到模型中进行预测任务。预训练模型存放在Pytorch的torchvision中库，在torchvision库的models模块下可以查看内置的模型，models模块中的模型包含四大类，如图所示：01图像分类代码实现# coding: utf-8from PIL import Imageimport matplotlib.pyplot as pltplt.rcParams['font.sans-serif'] = ['SimHei']  # 步骤一（替换sans

torch、torchvision和python的对应版本如下：torch torchvision pythonmaster/nightlymaster/nightly>=3.61.7.1 0.8.2>=3.61.7.0 0.8.1>=3.61.7.00.8.0>=3.61.6.00.7.0>=3.61.5.10.6.1>=3.51.5.00.6.0>=3.51.4.00.5.0  ==2.7,>=3.5,1.3.1 0.4.2==2.7,>=3.5,1.3.00.4.1==2.7,>=3.5,1.2.00.4.0==2.7,>=3.5,1.1.0 0.3.0==2.7,>=3.5,0.2.2

torch、torchvision和python的对应版本如下：torch torchvision pythonmaster/nightlymaster/nightly>=3.61.7.1 0.8.2>=3.61.7.0 0.8.1>=3.61.7.00.8.0>=3.61.6.00.7.0>=3.61.5.10.6.1>=3.51.5.00.6.0>=3.51.4.00.5.0  ==2.7,>=3.5,1.3.1 0.4.2==2.7,>=3.5,1.3.00.4.1==2.7,>=3.5,1.2.00.4.0==2.7,>=3.5,1.1.0 0.3.0==2.7,>=3.5,0.2.2