前言：作为当前先进的深度学习目标检测算法YOLOv7，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv7的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。由于出到YOLOv7，YOLOv5算法2020年至今已经涌现出大量改进论文，这个不论对于搞科研的同学或者已经工作的朋友来说，研究的价值和新颖度都不太够了，为与时俱进，以后改进算法以YOLOv7为基础，此前YOLOv5改进方法在YOLOv7同样适用，所以继续YOLOv5系列改进
目录1项目背景2图像数据集介绍3模型训练部分4模型性能测试1项目背景 随着输电网络规模不断增大，输电线路巡检任务日益加重，实现输电线路的高效率巡检已刻不容缓。传统的巡检技术较为落后，主要依靠人工的方式，存在耗时长等问题，尤其对于复杂环境下的人工巡检，弊端更为凸显。对于输电线路而言，若不及时处理故障，将对电力系统的稳定运行产生不良影响。目前，基于深度学习的输电线路巡检方法逐步取代传统人工巡检，本项目基于YOLOv5算法，针对488幅绝缘子缺陷图像，开展其缺陷的智能检测和识别研究。2图像数据集介绍 绝缘子破损会造成其绝缘性能的下降，若在巡检中发现应该及时更换。 输电线路绝缘子缺陷检测
目录1项目背景2图像数据集介绍3模型训练部分4模型性能测试1项目背景 随着输电网络规模不断增大，输电线路巡检任务日益加重，实现输电线路的高效率巡检已刻不容缓。传统的巡检技术较为落后，主要依靠人工的方式，存在耗时长等问题，尤其对于复杂环境下的人工巡检，弊端更为凸显。对于输电线路而言，若不及时处理故障，将对电力系统的稳定运行产生不良影响。目前，基于深度学习的输电线路巡检方法逐步取代传统人工巡检，本项目基于YOLOv5算法，针对488幅绝缘子缺陷图像，开展其缺陷的智能检测和识别研究。2图像数据集介绍 绝缘子破损会造成其绝缘性能的下降，若在巡检中发现应该及时更换。 输电线路绝缘子缺陷检测
目录一、GradCAM可视化 实施与效果1、配置和效果 2、修改处二、代码分析 1、debug参数记录 2、打印日志处3、功能处接口（1）实例化模型（2）对img的处理(3)YOLOV5Grad-CAM(4)前向传播过程（5）设置保存结果的路径 （6）热力图的实现（7）画标签和矩形框三、创建的文件和构造的类都是干什么的，它们的作用都是什么1、yolov5_object_detect.py2、gradcam.py3、main_gradcam.py四、GradCAM实现的过程和代码五、一些需要注意的地方1、model的定义2、得到的效果图片为什么那么多，并且有好有坏GradCAM为神经网络的一种
目录一、GradCAM可视化 实施与效果1、配置和效果 2、修改处二、代码分析 1、debug参数记录 2、打印日志处3、功能处接口（1）实例化模型（2）对img的处理(3)YOLOV5Grad-CAM(4)前向传播过程（5）设置保存结果的路径 （6）热力图的实现（7）画标签和矩形框三、创建的文件和构造的类都是干什么的，它们的作用都是什么1、yolov5_object_detect.py2、gradcam.py3、main_gradcam.py四、GradCAM实现的过程和代码五、一些需要注意的地方1、model的定义2、得到的效果图片为什么那么多，并且有好有坏GradCAM为神经网络的一种
1.问题背景在深度学习中，目标识别问题是我们所熟知的最经典最重要的问题之一。目标识别需要在一幅大图片中定位到多个目标的位置和类别。目标检测的应用范围很广，比如在超市通过视频检测消费者的进出、工业制造业领域中的异常行为检测等。另一个典型的场景是，在自动驾驶时车辆需要定位视线范围内的所有物体，并识别其类别以判断危险程度。这都给目标检测这一领域提供了丰富的应用空间。2.模型介绍2.1YOLO简介YOLO的名字来历颇有意思，他的本意是流行语YouOnlyLiveOnce的缩写，而模型的作者JosephRedmon改了一个词将YouOnlyLookOne作为模型的名字。这是由于，相对于R-CNN系列算法
1.问题背景在深度学习中，目标识别问题是我们所熟知的最经典最重要的问题之一。目标识别需要在一幅大图片中定位到多个目标的位置和类别。目标检测的应用范围很广，比如在超市通过视频检测消费者的进出、工业制造业领域中的异常行为检测等。另一个典型的场景是，在自动驾驶时车辆需要定位视线范围内的所有物体，并识别其类别以判断危险程度。这都给目标检测这一领域提供了丰富的应用空间。2.模型介绍2.1YOLO简介YOLO的名字来历颇有意思，他的本意是流行语YouOnlyLiveOnce的缩写，而模型的作者JosephRedmon改了一个词将YouOnlyLookOne作为模型的名字。这是由于，相对于R-CNN系列算法
前言： 寒假里，博主完成了树莓派4B搭载yolofastest-V2的ncnn加速，效果挺不错的，但总感觉还是稍微差点意思，于是就购买了一块香橙派5，想要用RK3588芯片自带的NPU来加速深度学习的部署，在2023年3月4日也是完成了香橙派5的NPU加速深度学习部分，其效果也确实非常可观，在画质较低的情况下，运行速度达到了100fps以上，下面是我在B站发布的效果视频点我跳转。这篇博客也是为了总结一下玩香橙派5的时候遇到的坑。准备材料： 1、香橙派5 2、一台windows10或windows11的电脑 3、一个内部带有Ubuntu20.04的移动硬盘（如果没有，也可
前言： 寒假里，博主完成了树莓派4B搭载yolofastest-V2的ncnn加速，效果挺不错的，但总感觉还是稍微差点意思，于是就购买了一块香橙派5，想要用RK3588芯片自带的NPU来加速深度学习的部署，在2023年3月4日也是完成了香橙派5的NPU加速深度学习部分，其效果也确实非常可观，在画质较低的情况下，运行速度达到了100fps以上，下面是我在B站发布的效果视频点我跳转。这篇博客也是为了总结一下玩香橙派5的时候遇到的坑。准备材料： 1、香橙派5 2、一台windows10或windows11的电脑 3、一个内部带有Ubuntu20.04的移动硬盘（如果没有，也可
文章目录1.模块解析(common.py)01.Focus模块02.CONV模块03.Bottleneck模块：04.C3模块05.SPP模块2.为yolov5添加CBAM注意力机制01.CBAM机制02.具体步骤①.以yolov5l结构为例（其实只是深度和宽度因子不同），修改yolov5l.yaml，将C3模块修改为添加注意力机制后的模块CBAMC3，参数不变即可。②.在common.py中添加CBAMC3模块③.修改yolo.py，添加额外的判断语句最近在进行yolov5的二次开发，软件开发完毕后才想着对框架进行一些整理和进一步学习，以下将记录一些我的学习记录。1.模块解析(common.
