（一）前情这个工作已经有大佬用在自己的工程里了，他的帖子链接：https://blog.csdn.net/weixin_45829462/article/details/120372921但他的这个lite主要不是研究repvgg的，是做移动端的，但是里面加了这个repvgg他的代码链接：https://github.com/ppogg/YOLOv5-Lite/tree/ca7ed7ca0bb578fe6e5eaa777e84f661ad457e49我是看了看他的代码，然后把关于repvgg的地方加到了自己的yolov5-7.0中（但后续我没用seg去做训练，就正常训练）后续我还试着把rep-
检测算法作为深度学习的一种主要基础算法，一直吸引着广大的科研工作者。这里总结了一些常见的Loss，作为记录。目录1.BCEBlurWithLogitsLoss2.FocalLoss 3.QFocalLoss4.APLoss5.aLRPLoss6.RankSortLoss7.IOULossGIoUDIoU CIoU（CompleteIoUloss）EnhancedCompletedIoUEfficientIoULossαIoUSIoU 检测算法一般包含分类损失(区分目标类别的)，回归损失（回归坐标的），目标置信度（表示是否存在目标的，也是一个分类损失）。先说分类损失
文章目录前言一优化器二超参数参考前言一优化器机器学习的五个步骤：数据->模型->损失->优化器->迭代训练。我们通过前向传播的过程，得到了模型输出与真实标签的差异，我们称之为损失，有了损失，我们会进入反向传播过程得到参数的梯度，那么接下来就是优化器干活了，优化器要根据我们的这个梯度去更新参数，使得损失不断的降低。那么优化器是怎么做到的呢？该博主从三部分进行展开，首先是优化器的概念，然后是优化器的属性和方法，最后是常用的优化器。深度学习优化算法经历了SGD->SGDM->NAG->AdaGrad->AdaDelta->Adam->Nadam这样的发展历程。该博主详细告诉你这些算法是如何一步一步演
前言本人从一个小白，一路走来，已能够熟练使用YOLOv5算法来帮助自己解决一些问题，早就想分析一下自己的学习心得，一直没有时间，最近工作暂时告一段落，今天抽空写点东西，一是为自己积累一些学习笔记，二是可以为一些刚接触YOLOv5算法的小白们提供一些参考，希望大家看之前能够动动你的小手，给我点个关注，给文章点个赞，如果此文确实给你提供了帮助，希望你能在留言区打两个字个“此文有用！”，以此来让这篇文章获得更多的流量，让更多小白能够看到。YOLOv5那么多深度学习算法，为什么要用YOLOv5？我觉得很简单，因为YOLOv5快、YOLOv5火、YOLOv5流行啊，为什么不用YOLOv7、YOLOv8，
文章目录更新提醒：2023/04/01更新YOLOv7简介预训练权重（用不用？用哪个？）总结更新提醒：2023/04/01更新YOLOv7简介YOLOv7论文链接：YOLOv7:Trainablebag-of-freebiessetsnewstate-of-the-artforreal-timeobjectdetectors官方github代码链接：https://github.com/WongKinYiu/yolov7YOLOv7于2022.07发布，已被CVPR2023接收！此贴记录自己使用YOLOv7训练自己数据集时权重使用问题最后个人建议，能不用YOLOv7就别用！！！别用！！！别用！
目录1SENet1.1SENet原理1.2 SENet代码(Pytorch)1.3 YOLOv5中加入SE模块 1.3.1 common.py配置1.3.2 yolo.py配置1.3.3创建添加RepVGG模块的YOLOv5的yaml配置文件2CBAM2.1CBAM原理2.2 CBAM代码(Pytorch)2.3 YOLOv5中加入CBAM模块 2.3.1 common.py配置2.3.2 yolo.py配置2.3.3创建添加CBAM模块的YOLOv5的yaml配置文件 3CA3.1CA原理3.2 CA代码(Pytorch)3.3 YOLOv5中加入CA模块 3.3.1 common.py配置
目录训练参数说明：--weights:--cfg:--data:--hpy:--epoch:--batch_size：--img-size:--rect:--resume:--nosave:--notest:--noautoanchor:--evolve：--bucket:--cach-images:--image-weights：--device:--multi-scale:--single-cls:--adam:--sync-bn:--local_rank:--workers:--project:--name:--exist-ok：--linear-lr:--label-smoothin
源码：https://github.com/WongKinYiu/yolov7论文：https://arxiv.org/abs/2207.02696这个yolov7是yolov4团队的作品，我等着你yolov100。背景yolo系列已经成了大家学习工作中常用的目标检测网络，果然，yolov7又来了。一般人yolo取名到2亿都可以，但听说这个作者是yolov4的，我就来踩踩坑，试试火代码搭建环境，这里直接用conda按照源码requirements.txt安装就行。（我yolov5环境(python3.7+torch1.8.0)都可以训练,我之前写过一篇几分钟搭建yolov5的文章）数据准备现成
yolov5模型训练后的结果会保存到当前目录下的run文件夹下里面的train中下面对训练结果做出分析confusion_matrix.png(混淆矩阵)在yolov5的训练结果中，confusion_matrix.png文件是一个混淆矩阵的可视化图像，用于展示模型在不同类别上的分类效果。混淆矩阵是一个n×n的矩阵，其中n为分类数目，矩阵的每一行代表一个真实类别，每一列代表一个预测类别，矩阵中的每一个元素表示真实类别为行对应的类别，而预测类别为列对应的类别的样本数。在混淆矩阵的可视化图像中，对角线上的数值表示模型正确分类的样本数，而非对角线上的数值则表示模型错误分类的样本数。可以通过观察非对角
YOLOV5---数据集格式转化及训练集和验证集划分VOC标签格式转yolo格式并划分训练集和测试集标签为yolo格式数据集划分训练集和验证集本教程详细介绍了VOC格式数据集的制作方法。1、目录结构其中makeTXT.py用于生成VOCdevkit/VOC/ImageSets/Main/*.txt，voc_label.py根据VOCdevkit/VOC/Annotations/*、VOCdevkit/VOC/images/*和VOCdevkit/VOC/ImageSets/Main/*.txt生成VOCdevkit/labels/*.txt、VOCdevkit/VOC/test.txt(tra
