首先申明，这篇博客是用于记录我第一次完全从头到尾跑通一个算法，我会在此博客详细写出我的具体过程，以供大家参考，可能会和炮哥博客有些重合，没办法毕竟我就是用他的博客来训练模型的。但这篇博客我会结合炮哥的博客和我自己训练过程中的一些问题和心得来写，所以还是会有所不的！！！博主其实也是个深度学习的小菜鸟hhh。能跑通这个算法主要还是依靠炮哥，在此感谢。一、必要的环境依赖和项目克隆1.1环境的安装这块主要是深度学习的环境安装，说实话我觉得这块也挺麻烦，我有时候一弄就是两三天，总会出现奇奇怪怪的问题，在这我推荐一篇炮哥的博客，个人觉得已经写的非常详细了。不过里面的paddlepaddle我并没有安装，我
首先申明，这篇博客是用于记录我第一次完全从头到尾跑通一个算法，我会在此博客详细写出我的具体过程，以供大家参考，可能会和炮哥博客有些重合，没办法毕竟我就是用他的博客来训练模型的。但这篇博客我会结合炮哥的博客和我自己训练过程中的一些问题和心得来写，所以还是会有所不的！！！博主其实也是个深度学习的小菜鸟hhh。能跑通这个算法主要还是依靠炮哥，在此感谢。一、必要的环境依赖和项目克隆1.1环境的安装这块主要是深度学习的环境安装，说实话我觉得这块也挺麻烦，我有时候一弄就是两三天，总会出现奇奇怪怪的问题，在这我推荐一篇炮哥的博客，个人觉得已经写的非常详细了。不过里面的paddlepaddle我并没有安装，我
【实验记录】yolov5的一些改进tricks总结1.在yolov5上增加小目标检测层link2.在yolov5上增加注意力机制CBAMSElayer…3.考虑在yolov5中加入旋转角度的目标检测机制。reference：[1]https://zhuanlan.zhihu.com/p/358441134[2]https://github.com/onehahaha756/yolov5_rotation4.结合BiPFN，将yolov5中的PANet层改为efficientDet中的BiFPN。5.训练baseline，同时使用加权框融合WBF进行后处理/预处理。6.AF-FPN替换金字塔模块
【实验记录】yolov5的一些改进tricks总结1.在yolov5上增加小目标检测层link2.在yolov5上增加注意力机制CBAMSElayer…3.考虑在yolov5中加入旋转角度的目标检测机制。reference：[1]https://zhuanlan.zhihu.com/p/358441134[2]https://github.com/onehahaha756/yolov5_rotation4.结合BiPFN，将yolov5中的PANet层改为efficientDet中的BiFPN。5.训练baseline，同时使用加权框融合WBF进行后处理/预处理。6.AF-FPN替换金字塔模块
文章内容：1.在Anaconda环境下，进行目标检测程序（Yolov5）的下载及安装，实现Yolov5的整体安装；2.通过调用手机摄像头进行简单的目标检测和识别。目录1任务目标2任务环境3Yolov5下载安装3.1下载Yolov53.2下载Yolov5预训练模型3.3安装Yolov54测试Yolov54.1图片检测4.2视频检测4.3调用摄像头检测4.4调用手机IP摄像头检测5总结6参考资料1任务目标实现目标检测程序的下载及安装，了解目标检测程序的开发过程和环境；完成简单的目标检测，掌握移动IP摄像头对目标场景的检测方法。2任务环境设备：PC(Windows系统)、手机环境：Anaconda环
写在前面：首先感谢兄弟们的订阅，让我有创作的动力，在创作过程我会尽最大能力，保证作品的质量，如果有问题，可以私信我，让我们携手共进，共创辉煌。文末附项目代码和数据集，请看检测效果：1.介绍火灾烟雾检测和识别是指通过计算机视觉技术，对火灾现场的图像或视频进行分析，检测和识别是否存在烟雾和火灾等异常情况。该技术可以帮助及时发现火灾，并且可以避免人为巡检盲区和风险，提高火灾事故的预防和应对能力。火灾烟雾检测和识别的主要流程包括以下几个步骤：图像采集：使用摄像头等设备采集火灾现场的图像或视频。图像预处理：对采集到的图像进行预处理，包括图像去噪、图像增强、图像尺寸调整等处理，以提高检测精度和效率。烟雾检
目录一、前期理论学习二、使用YOLO（复现yolov5）1、环境搭建2、认识YOLO代码中的文件并简单运行（detect.py）3、模型训练（train.py）一、前期理论学习绘制思维导图手把手教你搭建自己的yolov5目标检测平台大白讲AI_讲解YoloV3和V4二、使用YOLO（复现yolov5）创新的基础是搞清楚，跑通现有的代码1、环境搭建搞清楚Anaconda和pyCharm是干嘛用的，并安装下载（可视化的anaconda好香！！我好爱！！）安装教程见下：（这个视频系列全学完）Python+Anaconda+PyCharm的安装和基本使用【适合完全零基础】不只是教你如何安装，还告诉你为
目录一.前言二.源码下载三.环境安装 opencv安装四.ONNX模型导出五.总结一.前言 我们在之前的yolov7入门教程中讲到了如何进行环境的安装和python终端运行： YOLOv7（目标检测）入门教程详解---环境安装 YOLOv7（目标检测）入门教程详解---检测，推理，训练 今天我们就来学习一下如何用c++部署yolov7二.源码下载 c++源码下载地址： https://github.com/UNeedCryDear/yolov7-opencv-dnn-cpp 使用这个源码的要求是opencv版本>=4.5.0三.环境安装 opencv安装 竟然要使用open
1.项目背景：目前随着电子领域的快速发展，芯片也已经成为日常生活中不可或缺的一部分。随着市场对芯片的需求不断增大，裸芯片表面缺陷检测任务的压力也越来越大。裸芯片表面的缺陷检测不仅能保证芯片成品的质量，而且有着统计缺陷数量，反馈给生产前道工序的重要意义，但是目前许多生产线对于裸芯片表面依旧采用人工目检的方法进行缺陷检测，不仅实时性差，耗时长，而且结果会受到检测人员主观因素的影响。 目前国内外的芯片表面缺陷检测设备不仅价格昂贵，而且功能比较单一，因此本文提出了一种基于深度学习的裸芯片表面缺陷检测算法，具有高效率，实时性好的特点，与传统人工目检的方式相比具有一定的优势。2.识别效果展示2.视频演示
目录简化流程数据集存放样式制作数据集流程1.获取数据集2.将make_txt.py和train_val.py写入根目录3.运行make_txt.py4.运行train_val.py5.删减文件夹的结构至需要格式reference简化流程得到数据集文件夹→修改文件夹名称并加入两个py文件→修改py文件→运行两个py文件→删减文件夹结构至所需结构数据集存放样式官网上有两种数据集的存放样式传入数据集的txt文件，txt文件中保存的是图片的绝对路径。由于在云端服务器训练的时候查到不到路径会报错。因此我并没有选择这种存放样式。path:../datasets/coco#datasetrootdirtra
