在yolov5的使用过程中几乎都会发现的问题：训练结果有last.pt和best.pt,last.pt好理解，就是最后一个epoch的输出，但是best是啥意思？怎么才算best？查了下帮助文档，没说。。YOLOv5Documentation所以只好一行行看train.py的源码，在下图位置看到了best.pt的更新ctrl加鼠标左键点击fitness，来到了utils里的metrics类这里就一目了然啦，话说yolov5终于有注释了啊这里默认是把mAP@0.5和mAP@0.5:0.95，按照0.1：0.9加权平均，是可以自己改的至于P、R、mAP是啥意思，请看👇机器学习笔记-IOU、mAP、
前面已经写了4篇关于yolov5的文章，链接如下：1、基于libtorch的yolov5目标检测网络实现——COCO数据集json标签文件解析2、基于libtorch的yolov5目标检测网络实现(2)——网络结构实现3、基于libtorch的yolov5目标检测网络实现(3)——Kmeans聚类获取anchor框尺寸4、C++实现Kmeans聚类算法获取COCO目标检测数据集的anchor框其中：第一篇讲COCO数据集json标签的解析；第二篇讲yolov5神经网络正向传播的liborch实现；第三篇讲使用Opencv提供的Kmeans算法来获取anchor框尺寸；第四篇讲自己使用C++实现
前面已经写了4篇关于yolov5的文章，链接如下：1、基于libtorch的yolov5目标检测网络实现——COCO数据集json标签文件解析2、基于libtorch的yolov5目标检测网络实现(2)——网络结构实现3、基于libtorch的yolov5目标检测网络实现(3)——Kmeans聚类获取anchor框尺寸4、C++实现Kmeans聚类算法获取COCO目标检测数据集的anchor框其中：第一篇讲COCO数据集json标签的解析；第二篇讲yolov5神经网络正向传播的liborch实现；第三篇讲使用Opencv提供的Kmeans算法来获取anchor框尺寸；第四篇讲自己使用C++实现
一.训练数据集准备 YOLOv8的训练数据格式与YOLOv5的训练数据格式一致，这一部分可以进行沿用。之前博文有发布VOC标注格式转YOLO标注格式的脚本，有需要可以查看。二.项目克隆 YOLOv8项目文件可以直接去github上下载zip文件然后解压，也可以直接Git克隆。项目官方地址三.训练前准备 这一部分首先保证机子上安装好了深度学习环境（可以跑YOLOv5就行）。 下一步用Pycharm打开YOLOv8项目，打开项目的终端，输入pipinstall-rrequirements.txt 到这里。如果按照官方的操作指南需安装ultralyti
一.训练数据集准备 YOLOv8的训练数据格式与YOLOv5的训练数据格式一致，这一部分可以进行沿用。之前博文有发布VOC标注格式转YOLO标注格式的脚本，有需要可以查看。二.项目克隆 YOLOv8项目文件可以直接去github上下载zip文件然后解压，也可以直接Git克隆。项目官方地址三.训练前准备 这一部分首先保证机子上安装好了深度学习环境（可以跑YOLOv5就行）。 下一步用Pycharm打开YOLOv8项目，打开项目的终端，输入pipinstall-rrequirements.txt 到这里。如果按照官方的操作指南需安装ultralyti
在学习的过程中，很多同学会因为没有带GPU的电脑影响了模型训练从而影响学习；此文详细介绍如何通过云服务器租用GPU进行模型训练，得到模型权重参数。大家在身边没有GPU服务器，或者算力不够的情况下，也可以采用这些云端算力平台进行使用。本次课程采用的算力平台主要是AutoDL AI算力云，官网链接是：AutoDL-品质GPU租用平台-租GPU就上AutoDL。1.点击右上角的“注册”选项先进行注册。2.注册成功后，进入算力市场。可以看到不同区域，空闲的一些GPU服务器，每台服务器的显卡和算力都不相同，大家可以根据自己的需求进行选择。 3.可以看到不同区域，空闲的一些GPU服务器，每台服务器的显卡和
在学习的过程中，很多同学会因为没有带GPU的电脑影响了模型训练从而影响学习；此文详细介绍如何通过云服务器租用GPU进行模型训练，得到模型权重参数。大家在身边没有GPU服务器，或者算力不够的情况下，也可以采用这些云端算力平台进行使用。本次课程采用的算力平台主要是AutoDL AI算力云，官网链接是：AutoDL-品质GPU租用平台-租GPU就上AutoDL。1.点击右上角的“注册”选项先进行注册。2.注册成功后，进入算力市场。可以看到不同区域，空闲的一些GPU服务器，每台服务器的显卡和算力都不相同，大家可以根据自己的需求进行选择。 3.可以看到不同区域，空闲的一些GPU服务器，每台服务器的显卡和
前言模型压缩方法主要4种：网络剪枝(Networkpruning)稀疏表示(Sparserepresentation)模型量化(Modelquantification)知识蒸馏(Konwledgedistillation)本文主要来研究知识蒸馏的相关知识，并尝试用知识蒸馏的方法对YOLOv5进行改进。知识蒸馏理论简介概述知识蒸馏(KnowledgeDistillation)由深度学习三巨头Hinton在2015年提出。论文标题：Distillingtheknowledgeinaneuralnetwork论文地址：https://arxiv.org/pdf/1503.02531.pdf“蒸馏”是
前言模型压缩方法主要4种：网络剪枝(Networkpruning)稀疏表示(Sparserepresentation)模型量化(Modelquantification)知识蒸馏(Konwledgedistillation)本文主要来研究知识蒸馏的相关知识，并尝试用知识蒸馏的方法对YOLOv5进行改进。知识蒸馏理论简介概述知识蒸馏(KnowledgeDistillation)由深度学习三巨头Hinton在2015年提出。论文标题：Distillingtheknowledgeinaneuralnetwork论文地址：https://arxiv.org/pdf/1503.02531.pdf“蒸馏”是
前言看到不少文章讲解用Flask部署YOLOv5的，不过基本都在本地上能够运行而戛然而止。因此，我打算再进一步，利用Docker在云服务器上部署YOLOv5，这样就能够开放给别人使用。代码仓库：https://github.com/zstar1003/yolov5-flask本地部署本地项目主要参考了robmarkcole的这个项目[1]，原始项目是一年前多发布的大概用的是YOLOv5较早的版本，直接download下来会出现一些问题。于是我使用YOLOv5-5.0版本进行了重构。项目结构整体项目结构如下图所示：models：存放模型构建相关程序，直接从yolov5-5.0版本中clone过来
