目录1.文章主要内容2.租用AutoDL服务器详细教程2.1注册AutoDL账号，并申请学生认证(学生认证有优惠，如果不是学生可以忽略此点)2.2算力市场选择GPU，并选择初始化配置环境2.3控制台参数解析，并使用相关参数登录Xftp(Windows与Linux跨平台传输软件，很关键)2.3.1控制台参数解析2.3.2Xftp下载以及配置3.使用Pycharm软件远程连接服务器，并训练模型(以Yolov5项目为例)3.1Pycharm配置服务器参数，远程连接服务器3.2配置pytorch和yolov5所需环境，以守护进程训练模型4.本篇总结1.文章主要内容 本篇博客主要涉及两个主体内容。
一、前言MobileOne论文：https://arxiv.org/abs/2206.04040MobileOnegithub：https://github.com/apple/ml-mobileone二、基本原理使用Reparameterize重参数化实现模型的轻量化，基本模块如下图所示。三、改进方法说明：该部分的改进代码尽可能地根据官方代码的写法与YOLOv7项目进行整合；3.1改进分析通过阅读MobileOne源码和结合论文中Table2可以发现以下两点：（1）Table2中BlockType全写为MobileOneBlock，但在源码中的Stage1和后面的Block是稍有不同的，因此
一、前言MobileOne论文：https://arxiv.org/abs/2206.04040MobileOnegithub：https://github.com/apple/ml-mobileone二、基本原理使用Reparameterize重参数化实现模型的轻量化，基本模块如下图所示。三、改进方法说明：该部分的改进代码尽可能地根据官方代码的写法与YOLOv7项目进行整合；3.1改进分析通过阅读MobileOne源码和结合论文中Table2可以发现以下两点：（1）Table2中BlockType全写为MobileOneBlock，但在源码中的Stage1和后面的Block是稍有不同的，因此
一，导出onnx模块1.1运行python.\export.py导出onnx模块 yolov7提供了简单的点对点预测，不需要再重新写NMS，非常方便，于是当然采用--end2end方法啦，命令如下图： 运行时发现没装onnx,那就安装好了1.2安装onnxcondainstall-cconda-forgeonnx但是！又出现了这个问题原因是__int__()需要2到7个参数，但给了8个参数。查看代码export.py159行，确实是8个参数：修改为义下代码： 问题解决。2，.NETC#Microsoft.ML.OnnxRuntime.GPU版调用onnx模型2.1安装onnxrunti
一，导出onnx模块1.1运行python.\export.py导出onnx模块 yolov7提供了简单的点对点预测，不需要再重新写NMS，非常方便，于是当然采用--end2end方法啦，命令如下图： 运行时发现没装onnx,那就安装好了1.2安装onnxcondainstall-cconda-forgeonnx但是！又出现了这个问题原因是__int__()需要2到7个参数，但给了8个参数。查看代码export.py159行，确实是8个参数：修改为义下代码： 问题解决。2，.NETC#Microsoft.ML.OnnxRuntime.GPU版调用onnx模型2.1安装onnxrunti
1、YOLOv5超参数配置介绍YOLOv5有大约30个超参数用于各种训练设置。这些是在目录中*.yaml的文件中定义的/data。更好的初始猜测会产生更好的最终结果，因此在演化之前正确初始化这些值很重要。lr0:0.01#初始学习率(SGD=1E-2,Adam=1E-3)lrf:0.01#最终的OneCycleLR学习率(lr0*lrf)momentum:0.937#SGD动量/Adambeta1weight_decay:0.0005#优化器权重衰减5e-4warmup_epochs:3.0#warmupepochs(fractionsok)warmup_momentum:0.8#预热初始动量
1、YOLOv5超参数配置介绍YOLOv5有大约30个超参数用于各种训练设置。这些是在目录中*.yaml的文件中定义的/data。更好的初始猜测会产生更好的最终结果，因此在演化之前正确初始化这些值很重要。lr0:0.01#初始学习率(SGD=1E-2,Adam=1E-3)lrf:0.01#最终的OneCycleLR学习率(lr0*lrf)momentum:0.937#SGD动量/Adambeta1weight_decay:0.0005#优化器权重衰减5e-4warmup_epochs:3.0#warmupepochs(fractionsok)warmup_momentum:0.8#预热初始动量
1.项目背景：世界老龄化趋势日益严重，现代化的生活习惯又使得大多数老人独居，统计数据表明，跌倒是老年人的主要致伤原因。利用先进的计算机技术、传感器技术和图像信息处理技术实现人体跌倒自动检测，不仅可以为跌倒老人提供及时的治疗、减少救治费用、有效减少因延误发现和治疗而致死的可能性，更可以有效减少用于老年人护理的人工费用、提高老年人生活质量。2.图片演示：3.视频演示4.YOLOv7算法简介YOLOv7在5FPS到160FPS范围内，速度和精度都超过了所有已知的目标检测器并在GPUV100上，30FPS的情况下达到实时目标检测器的最高精度56.8%AP。YOLOv7是在MSCOCO数据集上从头开始训
1.项目背景：世界老龄化趋势日益严重，现代化的生活习惯又使得大多数老人独居，统计数据表明，跌倒是老年人的主要致伤原因。利用先进的计算机技术、传感器技术和图像信息处理技术实现人体跌倒自动检测，不仅可以为跌倒老人提供及时的治疗、减少救治费用、有效减少因延误发现和治疗而致死的可能性，更可以有效减少用于老年人护理的人工费用、提高老年人生活质量。2.图片演示：3.视频演示4.YOLOv7算法简介YOLOv7在5FPS到160FPS范围内，速度和精度都超过了所有已知的目标检测器并在GPUV100上，30FPS的情况下达到实时目标检测器的最高精度56.8%AP。YOLOv7是在MSCOCO数据集上从头开始训
（1）损失函数 YOLOv5的损失主要由三个部分组成：Classesloss，分类损失，采用BCEloss，只计算正样本的分类损失。Objectnessloss，obj置信度损失，采用BCEloss，计算的是所有样本的obj损失。注意这里的obj指的是网络预测的目标边界框与GTBox的CIoU。Locationloss，定位损失，采用CIoUloss，只计算正样本的定位损失。 针对三个预测特征层（P3,P4,P5）上的obj损失采用不同的权重。在源码中，针对预测小目标的预测特征层（P3）采用的权重是4.0，针对预测中等目标的预测特征层（P4）采用的权重是1.0，针对
