我本来说只是单纯的记录一下第一次跑代码的流程的，结果看到了这么多大家都收藏和点赞，我决定再稍微改改他的排版，希望更多地朋友能在CV方向迅速上手！一、NVIDIA驱动安装与更新首先查看电脑的显卡版本，步骤为：此电脑右击–>管理–>设备管理器–>显示适配器。就可以看到电脑显卡的版本了。如图，可以看到我的是一块NVDIAGeForceMX150显卡。有显卡驱动的，可以直接在桌面右键，找到英伟达驱动控制面板打开就好了。显卡驱动的下载地址安装（更新）好了显卡驱动以后。我们按下win+R组合键，打开cmd命令窗口。输入如下的命令。nvidia-smi得到如下图的信息图，可以看到驱动的版本是496.76；最
YoloV5模型训练成功后，可以通过自带的val.py文件进行评估分析，其提供mAp、Iou以及混淆矩阵等，很好，但是……领导不认可……/(ㄒoㄒ)/~~。领导要的是最直观的东西，比如这个模型识别目标的准确率，还有误报率等……。那么，领导的要求就是我们开发的方向：为了得到准确率以及误报、漏报、错报的情况，需要使用模型检测已经标注过的样本，将检测结果与标注进行比对。YoloV5的val.py文件已经实现了大部分功能，可以直接拿来改造：首先，原文件中对预测结果的NMS处理函数调用如下：out=non_max_suppression(out,conf_thres,iou_thres,labels=l
YoloV5模型训练成功后，可以通过自带的val.py文件进行评估分析，其提供mAp、Iou以及混淆矩阵等，很好，但是……领导不认可……/(ㄒoㄒ)/~~。领导要的是最直观的东西，比如这个模型识别目标的准确率，还有误报率等……。那么，领导的要求就是我们开发的方向：为了得到准确率以及误报、漏报、错报的情况，需要使用模型检测已经标注过的样本，将检测结果与标注进行比对。YoloV5的val.py文件已经实现了大部分功能，可以直接拿来改造：首先，原文件中对预测结果的NMS处理函数调用如下：out=non_max_suppression(out,conf_thres,iou_thres,labels=l
目录1.网络结构的不同1.1Backbone1.1.1Darknet531.1.2 CSPDarknet531.1.3libtorchc++实现CSPDarknet53网络1.2Neck1.2.1FPN1.2.2PAN 1.2.3 SPP 1.3Head2.数据增强2.1CutMix2.2Mosaic3.激活函数4.损失函数5.正则化方法知识点记录备忘。总体而言，yolov4是尝试组合一堆tricks，获取得到的模型，该模型具有训练更快、模型更轻、精度更高的特性。1.网络结构的不同yolov4网络结构可分为以下三部分。与yolov3相比，其中backbone和neck不同，
目录1.网络结构的不同1.1Backbone1.1.1Darknet531.1.2 CSPDarknet531.1.3libtorchc++实现CSPDarknet53网络1.2Neck1.2.1FPN1.2.2PAN 1.2.3 SPP 1.3Head2.数据增强2.1CutMix2.2Mosaic3.激活函数4.损失函数5.正则化方法知识点记录备忘。总体而言，yolov4是尝试组合一堆tricks，获取得到的模型，该模型具有训练更快、模型更轻、精度更高的特性。1.网络结构的不同yolov4网络结构可分为以下三部分。与yolov3相比，其中backbone和neck不同，
为保证您获得更好的学习体验，请使用电脑阅读学习，本专栏对手机用户并不友好！本文将以detec.py文件为主，带你从头开始逐一追踪代码，了解detect运行流程。目录detect.py:common.py（models）： DetectMultiBackend: （line279）datasets.py（utils）： LoadImages: （line178）augmentations.py（utils）： letterbox： （line91）plots.p
为保证您获得更好的学习体验，请使用电脑阅读学习，本专栏对手机用户并不友好！本文将以detec.py文件为主，带你从头开始逐一追踪代码，了解detect运行流程。目录detect.py:common.py（models）： DetectMultiBackend: （line279）datasets.py（utils）： LoadImages: （line178）augmentations.py（utils）： letterbox： （line91）plots.p
前言本篇主要利用PyQT5搭建YOLOv5可视化界面，并打包成exe程序。整体框架参考自：https://xugaoxiang.com/2021/06/30/yolov5-pyqt5在此基础上，优化了预测逻辑，适配YOLOv5-5.0版本，并使用qdarkstyle美化了界面，支持图片检测、摄像头检测、视频检测，整体效果如下图所示：开源仓库：https://github.com/zstar1003/yolov5_pyqt5可直接运行的exe程序：https://pan.baidu.com/s/16nHvS5tRSeLKB0Ql2-6ZFw?pwd=8888整体框架项目整体框架如下图所示：·mo
前言本篇主要利用PyQT5搭建YOLOv5可视化界面，并打包成exe程序。整体框架参考自：https://xugaoxiang.com/2021/06/30/yolov5-pyqt5在此基础上，优化了预测逻辑，适配YOLOv5-5.0版本，并使用qdarkstyle美化了界面，支持图片检测、摄像头检测、视频检测，整体效果如下图所示：开源仓库：https://github.com/zstar1003/yolov5_pyqt5可直接运行的exe程序：https://pan.baidu.com/s/16nHvS5tRSeLKB0Ql2-6ZFw?pwd=8888整体框架项目整体框架如下图所示：·mo
YOLOv5的head详解在前两篇文章中我们对YOLO的backbone和neck进行了详尽的解读，如果有小伙伴没看这里贴一下传送门：YOLOv5的Backbone设计YOLOv5的Neck端设计在这篇文章中，我们将针对YOLOv5的head进行解读，head虽然在网络中占比最少，但这却是YOLO最核心的内容，话不多说，进入正题。1YOLOv5s网络结构总览要了解head，就不能将其与前两部分割裂开。head中的主体部分就是三个Detect检测器，即利用基于网格的anchor在不同尺度的特征图上进行目标检测的过程。由下面的网络结构图可以很清楚的看出：当输入为640*640时，三个尺度上的特征图
