原理在一张图片中每隔一个像素拿到一个值，类似于邻近下采样，这样就拿到了四张图片，四张图片互补，长的差不多，但是没有信息丢失，这样一来，将W、H信息就集中到了通道空间，输入通道扩充了4倍，即拼接起来的图片相对于原先的RGB三通道模式变成了12个通道，最后将得到的新图片再经过卷积操作，最终得到了没有信息丢失情况下的二倍下采样特征图。以yolov5s为例，640×640×3的图像输入Focus模块，先变成320×320×12的特征图，再经过一次卷积操作，变成320×320×32的特征图。图解如下Focus模块代码classFocus(nn.Module):#Focuswhinformationint

口罩数据集：GitHub-X-zhangyang/Real-World-Masked-Face-Dataset:Real-WorldMaskedFaceDataset，口罩人脸数据集yolov5源码：GitHub-ultralytics/yolov5:YOLOv5🚀inPyTorch>ONNX>CoreML>TFLite一.深度学习目标检测算法分类1. 基于区域提取的两阶段目标检测1.1SPP-Net1.2R-CNN 1.3FASTR-CNN 1.4FASTER-CNN2. 基于回归的单阶段为目标检测2.1 YOLO系列(YOLO,YOLOv1,2,3,4,5,7)2.2 OverFeat二.

一、模型输出解析：        设输出图片大小为1280，768，类别个数为2，则yolov5输出的三种特征图，其维度分别为：[1,3,96，160，7]，[1,3,48,80,7]，[1,3,24,40,7]；相当于yolov5模型总共输出（96*160+48*80+24*40）*3=60480个目标框；        其中，[1,3,96,160,7]中1指代输入图像个数为1，3指的是该尺度下的3种anchor，(96,160) 指的是特征图的尺寸，7具体指的是：（center_x,center_y,width,height,obj_conf,class_1_prob，class_2_p

已完成的环境配置：TX2刷机后，完成了opencv4.5.1的编译：Ubuntu18.04安装opencv4.5.1+contrib支持cuda加速（附带编译好的opencv4.5.1及缺失文件）_Barrymaster的博客-CSDN博客TX2版本及配置环境如下：一、换源一般刷机的时候应该换过源了，没换过的可以参照下方刷机文章的换源部分（注意：TX2和ubuntupc源不共用）NvidiaTX2刷机全过程_Barrymaster的博客-CSDN博客_tx2刷机二、安装pytorchpytorch分架构，所以pc端与TX2的安装方法不同。这里直接在系统环境下使用python3安装的流程，全程用

已完成的环境配置：TX2刷机后，完成了opencv4.5.1的编译：Ubuntu18.04安装opencv4.5.1+contrib支持cuda加速（附带编译好的opencv4.5.1及缺失文件）_Barrymaster的博客-CSDN博客TX2版本及配置环境如下：一、换源一般刷机的时候应该换过源了，没换过的可以参照下方刷机文章的换源部分（注意：TX2和ubuntupc源不共用）NvidiaTX2刷机全过程_Barrymaster的博客-CSDN博客_tx2刷机二、安装pytorchpytorch分架构，所以pc端与TX2的安装方法不同。这里直接在系统环境下使用python3安装的流程，全程用

>>>深度学习Tricks，第一时间送达目录RepVGG——极简架构，SOTA性能！！！（一）前沿介绍

以yolov5sv3为例：anchor长啥样及怎么得到的？以下是yolov5v3.0中的anchoranchors:1.[10,13,16,30,33,23]#P3/8 608/8=762.[30,61,62,45,59,119]#P4/16 608/16=383.[116,90,156,198,373,326]#P5/32 608/32=19为啥anchor一共是3行呢？答：这里指的是在三个不同分辨率的特征图上的anchor，能够分别对大、中、小目标进行计算。第一行在最大的特征图上----小数值检测大的目标第二行在第二大的特征图上第三行在最小的特征图上----大数值检测小的目标为啥anc

目录一、前言二、使用coco128数据集进行训练2.1数据集准备2.2进行训练 三、使用自己制作的数据集进行训练和测试3.1制作自己的数据集3.2开始训练3.3模型测试四、让输入图片显示标签数量​​​​​​​一、前言 1.本文的目的在于帮助读者实现yolov5的训练，测试以及使用，偏重应用，将有较少代码讲解2.本文将首先示范使用coco128数据集进行训练，向读者展示整个模型的使用过程，之后介绍如何制作自己的数据集并进行训练，最后一部分讲解如何让输出图片显示各个标签数量3.本文使用的数据集coco128放在网盘里了，如果没有这个数据集的话可以去网盘上下载，yolov5的环境配置可以参考站内其他

目录一、YOLOv51、YOLOv5介绍2、YOLOV5的整体架构图3、MobileViT介绍二、YOLOv5与MobileViT的结合1、YOLOv5网络结构回顾2、MobileViT网络结构介绍3、YOLOv5替换骨干网络为MobileViT的优势三、MobileViT的细节与实现1、ViT与MobileNetV3的结合2、MobileViT网络结构细节3、MobileViT的实现细节四、MobileViT替换YOLOv5骨干网络1、YOLOv5骨干网络替换步骤2、MobileViT替换后的YOLOv5网络结构3、训练MobileViT-YOLOv5模型的技巧五、MobileViT-YOL

     本博客将从标图到最终采用tensorrt部署yolov5_obb(用于斜框目标检测的yolov5框架)，一步一步手把手教你如何成为一个合格的算法搬运工。yolov5_obb是一款用于斜框目标检测的神经网络，具体原理我就不说了，关于这个网络的中文博客百度一大堆，作者也是在知乎发了一系列文章关于如何改写ultralytics大佬的yolov5用于斜框检测。    这个代码实际上是ultralytics/yolov5的6.0版本的基础上修改的，所以预训练模型采用ultralytics/yolov5的6.0的预训练模型即可        这个博客原则上需要具有一定深度学习能力的搬运工食用，指