目录文章目录前言一、树莓派配置NCNN1.安装依赖2.下载NCNN并编译二、Yolov5-lite模型训练1.源码地址2.安装所需要的包 3.训练自己的数据集(YOLO格式)4.模型训练 5.模型转换6.onnx模型简化三、树莓派部署lite模型1.将onnx模型转换为ncnn2.添加Yolov5-lite.cpp3.修改eopt.param 4.修改yolov5_lite.cpp 5.修改CMakeLists.txt 四、最终运行效果总结前言记录一下流程，方便下次再用一、树莓派配置NCNN1.安装依赖sudoapt-getinstallgitcmakesudoapt-getinstall-y

博主使用YOLOv8在自制数据集上取得了不错的效果，考虑到后期的安排，需要在完成目标检测后完成目标追踪功能。因此在本篇博文中主要介绍结合YOLOv8实现目标追踪。项目源码：https://github.com/mikel-brostrom/yolov8_tracking接下来便是调试过程，博主依旧使用的是远程服务器来运行项目。环境部署老生常谈，首先便是创建环境了condacreate-ntrackingpython=3.8随后使用Pycharm连接服务器并将源码上传至服务器，这里可以选择使用服务器直接在github上下载。直接在命令行中输入下面命令即可。这里博主还是推荐使用Pycahrm来进行

博主使用YOLOv8在自制数据集上取得了不错的效果，考虑到后期的安排，需要在完成目标检测后完成目标追踪功能。因此在本篇博文中主要介绍结合YOLOv8实现目标追踪。项目源码：https://github.com/mikel-brostrom/yolov8_tracking接下来便是调试过程，博主依旧使用的是远程服务器来运行项目。环境部署老生常谈，首先便是创建环境了condacreate-ntrackingpython=3.8随后使用Pycharm连接服务器并将源码上传至服务器，这里可以选择使用服务器直接在github上下载。直接在命令行中输入下面命令即可。这里博主还是推荐使用Pycahrm来进行

R-CNN R-CNN由RossGirshick于2014年提出，R-CNN首先通过选择性搜索算法SelectiveSearch从一组对象候选框中选择可能出现的对象框，然后将这些选择出来的对象框中的图像resize到某一固定尺寸的图像，并喂入到CNN模型（经过在ImageNet数据集上训练过的CNN模型，如AlexNet)提取特征，最后将提取出的特征送入到SVM分类器来预测该对象框中的图像是否存在待检测目标，并进一步预测该检测目标具体属于哪一类。虽然R-CNN算法取得了很大进展，但缺点也很明显：重叠框（一张图片大2000多个候选框)特征的冗余计算使得整个网络的检测速度变得很慢（使用GPU的情况

     这次分享的是yolov3中的3.0版本，主要是因为其中使用的一些训练技巧不多，方便入门，在最新版本中作者使用了很多yolov5的训练技巧，不好理解，所以我们从最初版本一步一步学。在看源码之前建议大家对yolov3的原理学习一下可以对源码理解更简单，对理论会更深刻。        yolov3博客地址：YOLOv3论文笔记_crlearning的博客-CSDN博客    源码地址：GitHub-ultralytics/yolov3atv3.0    学习一个项目源码，第一步对其项目目录进行了解，其次看主文件，在进入主函数中逐行调试，进而对代码全局有个了解。cfg文件夹存放yolo的配置

目录​编辑SegmentationModel类DetectionModel类推理阶段DetectionModel--forward()BaseModel--forward() Segment类Detect--forward  SegmentationModel类定义model将会调用models/yolo.py中的类SegmentationModel。该类是继承父类--DetectionModel类。classSegmentationModel(DetectionModel):#SegmentationModel这个类是继承了DetectionModel这个类#YOLOv5segmentati

目录前言1.基本概念2.输入端2.1Mosaic图像增强2.2自适应锚框计算2.3自适应图片缩放3.Backbone层3.1Focus结构3.2CSP结构3.Neck网络3.1SPP结构3.2PAN结构4.输出端4.1Boundingbox损失函数4.2NMS非极大值抑制前言YOLOv5有几种不同的架构，各网络模型算法性能分别如下：1.基本概念YOLOv5是一种目标检测算法，其模型结构主要包括以下组成部分：输入端：YOLOv5的Head网络由3个不同的输出层组成，分别负责检测大中小尺度的目标。Backbone网络：YOLOv5使用CSPDarknet53作为其主干网络，其具有较强的特征提取能力

目录一、图像特征1.图像低层特征2.图像高层特征3.示例二、特征融合1.多尺度特征融合2.FPN参考文章一、图像特征1.图像低层特征图像低层特征指的是：边缘、颜色和纹理等特征。低层特征的分辨率较高，包含较多的位置、细节信息，但其包含的语义信息较少，噪声较多。原始图像和浅层卷积网络输出的特征图属于低层特征，从低层特征图中可以看清轮廓、边缘等信息。2.图像高层特征图像的高层语义特征是指人所能理解的东西，比如沙发、狗、瓶子等。高层特征包含较多的语义信息，但其分辨率较低，对位置和细节的感知能力也较差。经过深层的卷积网络，可以有效归纳出语义信息，就是类似某个区域就是什么东西，并不需要显示具体的纹理信息。

YOLOv5+单目测距（python）1.相关配置2.测距原理3.相机标定3.1：标定方法13.2：标定方法24.相机测距4.1测距添加4.2细节修改（可忽略）4.3主代码5.实验效果相关链接1.YOLOV7+单目测距（python）2.YOLOV5+单目跟踪（python）3.YOLOV7+单目跟踪（python）4.YOLOV5+双目测距（python）5.YOLOV7+双目测距（python）6.具体实现效果已在Bilibili发布，点击跳转本篇博文工程源码下载链接1：https://download.csdn.net/download/qq_45077760/87708260链接2：h

论文地址： https://arxiv.org/pdf/2303.16900.pdf代码： GitHub-sail-sg/inceptionnext:InceptionNeXt:WhenInceptionMeetsConvNeXt单位：NUS,SeaAILab(颜水成等人)1. InceptionNeXt介绍摘要：受ViT的long-range建模能力的启发，大核卷积来扩大感受野用于提升模型性能，比如ConvNeXt了采用7x7深度卷积。虽然这种深度操作符只消耗少量FLOPs，但高内存访问成本，它在很大程度上损害了强大计算设备上的模型效率。为了解决这个问题，我们提出将大核深度卷积分解为沿通道维