一、前言YOLO系列框架凭借其超高的运行流畅度和不俗的准确率，一直被广泛地应用到各个领域。刚刚推出不久的YOLOV7在5FPS到160FPS范围内的速度和精度达到了新的高度，并在GPUV100上具有30FPS或更高的所有已知实时目标检测器中具有最高的精度56.8%AP。YOLOv7-E6目标检测器（56FPSV100，55.9%AP）比基于Transform的检测器SWINLCascade-MaskR-CNN（9.2FPSA100，53.9%AP）的速度和准确度分别高出509%和2%，以及基于卷积的检测器ConvNeXt-XLCascade-MaskR-CNN(8.6FPSA100,55.2%
基本思想：记录rk3399pro配置环境和c++npu开发记录，主要想搞一份c++代码和其它图像算法结合一下，好进行部署,淘宝链接见附录 需要的python3.7对应的aarch64的whl包：包含opencv-whl、h5py-whl包：链接:https://pan.baidu.com/s/1cvCAmHBa_4KgEjrcFIYnig提取码:5ui4链接:https://pan.baidu.com/s/1hrcr8Fc2sboD1_uy8T1Z8Q提取码:e4wq第一步：因为系统是python3.8,因为官方没有提供python3.8的rknn的版本，需要安装anconda环境构建pyth
yolov3网络结构图：Yolov3的三个基本组件：（1）CBL：Yolov3网络结构中的最小组件，由Conv+Bn+Leaky_relu激活函数三者组成。（2）Resunit：借鉴Resnet网络中的残差结构，让网络可以构建的更深。（3）ResX：由一个CBL和X个残差组件构成，是Yolov3中的大组件。每个Res模块前面的CBL都起到下采样的作用，因此经过5次Res模块后，得到的特征图是608->304->152->76->38->19大小。其他基础操作：（1）Concat：张量拼接，会扩充两个张量的维度，例如26×26×256和26×26×512两个张量拼接，结果是26×26×768。
目录参考链接0、配置环境1、下载预训练模型——推荐2、准备数据集——非常关键2-1、det文件夹下1.json2txt.py2.split.py3.voc_labels.py2-2、seg文件夹下1.getmask.py2.segsplit.py3、配置文件参数修改3-1、models/segheads.yaml3-2、data/voc.yaml3-3、models/yolov5s.yaml3-4、trainds.py4、遇到的问题4-1、运行trainds.py4-2、运行detectds.py参考链接🍅yolov5ds：Yolov5同时进行目标检测和分割分割（yolov5ds作者的博客介绍
不知不觉这已经是我的第四篇文章了，如果有机会下次应该是分享关于分割的一些知识；无论你是仅仅想跑通代码还是其他原因，我觉得都应该了解其相关的知识再去搞一搞代码。yolov5+deepsort在这里简单概述一下目标跟踪算法：主要分为传统的目标跟踪算法，基于深度学习的目标跟踪算法、也可以分为基于检测的目标跟踪算法（目标检测网络+跟踪部分yolov3/yolov5+deepsort/sort）,基于孪生网络的跟踪算法（Sima系列）,基于相关滤波的跟踪算法(MOSSE、KCF、CSK、DSST)，也可以分为单目标跟踪（SOT）、多目标跟踪（MOT），大家可以自行百度一下他们。现在很多跟踪算法都是基于单
不知不觉这已经是我的第四篇文章了，如果有机会下次应该是分享关于分割的一些知识；无论你是仅仅想跑通代码还是其他原因，我觉得都应该了解其相关的知识再去搞一搞代码。yolov5+deepsort在这里简单概述一下目标跟踪算法：主要分为传统的目标跟踪算法，基于深度学习的目标跟踪算法、也可以分为基于检测的目标跟踪算法（目标检测网络+跟踪部分yolov3/yolov5+deepsort/sort）,基于孪生网络的跟踪算法（Sima系列）,基于相关滤波的跟踪算法(MOSSE、KCF、CSK、DSST)，也可以分为单目标跟踪（SOT）、多目标跟踪（MOT），大家可以自行百度一下他们。现在很多跟踪算法都是基于单
目录一、密集连接模块的介绍1、密集连接的概念2、密集连接与残差连接的对比3、DenseNet的结构二、YOLOv5中引入密集连接模块的原因1、密集连接模块对于目标检测的优势2、密集连接模块对目标检测性能的影响三、YOLOv5中密集连接模块的具体实现1、使用DenseNet的基本单元DenseBlock作为密集连接模块的基本结构：2、在每个DenseBlock中，将每个卷积层的输出与之前所有卷积层的输出进行拼接，并作为下一个卷积层的输入：3、在每个DenseBlock之间添加一个Transition层，用于控制模型的复杂度并减少特征图的尺寸：4、在YOLOv5的特征提取网络
💡统一使用YOLOv7代码框架，结合不同模块来构建不同的YOLO目标检测模型。🌟本项目包含大量的改进方式,降低改进难度,改进点包含【Backbone特征主干】、【Neck特征融合】、【Head检测头】、【注意力机制】、【IoU损失函数】、【NMS】、【Loss计算方式】、【自注意力机制】、【数据增强部分】、【标签分配策略】、【激活函数】等各个部分文章目录一、SPD论文理论部分网络架构模块结构二、将其应用到YOLOv7中YOLOv7网络配置文件核心代码其他配置运行三、YOLOv5配置YOLOv5添加SPD.yaml配置文件核心代码其他配置新增YO
前言本文是nano自动驾驶小车开发系列中关于环境感知部分的分享，介绍目标检测中的yolo算法。我分别使用了OAK-D-Lite和普通USB摄像头这两种硬件在windows10下实现了yolov5的复现。如果使用OAK的话，需要首先配置好OAK-SDK再使用。 一、硬件配置硬件：OAK-D-Lite、普通USB摄像头软件：depthAI（是跨平台的，Windows，Linux均可部署，也有docker镜像）一、YOLO简介1.1目标检测任务目标检测是模式识别问题的一种，是计算机视觉领域中的一个重要研究方向，也是其他复杂视觉任务的基础。作为图像理解和计算机视觉的基石，目
YOLOv5引入密集连接卷积网络DenseNet思想CVPR2017最佳论文DenseNetDenseNetDenseNet论文地址：
