目录一、任务介绍二、实验过程2.1使用正确版本的yolov5进行训练(平台：x86机器windows系统)2.2best.pt转换为best.onnx（平台：x86机器window系统）2.3best.onnx转换为best.rknn（平台：x86机器Linux系统）2.3.1环境准备和工具包安装2.3.2onnx转换为rknn2.4RK3588部署rknn实现NPU加速（平台：aarch板子Linux系统）三、总结一、任务介绍 瑞芯微RK3588是一款搭载了NPU的国产开发板。NPU（neural-networkprocessingunits）可以说是为了嵌入式神经网络和边缘计
目录一、任务介绍二、实验过程2.1使用正确版本的yolov5进行训练(平台：x86机器windows系统)2.2best.pt转换为best.onnx（平台：x86机器window系统）2.3best.onnx转换为best.rknn（平台：x86机器Linux系统）2.3.1环境准备和工具包安装2.3.2onnx转换为rknn2.4RK3588部署rknn实现NPU加速（平台：aarch板子Linux系统）三、总结一、任务介绍 瑞芯微RK3588是一款搭载了NPU的国产开发板。NPU（neural-networkprocessingunits）可以说是为了嵌入式神经网络和边缘计
一、前言 由于工程项目中需要对视频中的person进行关键点检测，我测试各个算法后，并没有采用比较应用化成熟的Openpose，决定采用检测精度更高的HRnet系列。但是由于官方给的算法只能测试数据集，需要自己根据算法模型编写实例化代码。 本文根据SimDR工程实现视频关键点检测。SimDR根据HRnet改进而来，整个工程既包括HRnet又包括改进后的算法，使用起来较为方便，而且本文仅在cpu上就可以跑通整个工程。二、环境配置 python的环境主要就是按照工程中SimDR与yolov5的requirement.txt安装即可。总之缺啥装啥。三、工程准
一、前言 由于工程项目中需要对视频中的person进行关键点检测，我测试各个算法后，并没有采用比较应用化成熟的Openpose，决定采用检测精度更高的HRnet系列。但是由于官方给的算法只能测试数据集，需要自己根据算法模型编写实例化代码。 本文根据SimDR工程实现视频关键点检测。SimDR根据HRnet改进而来，整个工程既包括HRnet又包括改进后的算法，使用起来较为方便，而且本文仅在cpu上就可以跑通整个工程。二、环境配置 python的环境主要就是按照工程中SimDR与yolov5的requirement.txt安装即可。总之缺啥装啥。三、工程准
文章目录前引🚀YOLOv5-6.x源码分析（一）----detect.py1.导入需要的包2.执行main函数3.设置opt参数4.执行run函数4.1初始化一些配置4.2载入模型4.3加载数据4.4推理部分4.4.1热身部分4.4.2对每张图片/视频进行前向推理4.4.3NMS后处理除去多余的框4.4.4预测过程4.4.5打印目标检测结果前引这算是我的第一个正式博客文章吧，在准备动手写内容的时候，都有点无从下手的感觉。anyway，以后应该会写的越来越娴熟的。YOLO系列我已经用了接近一年了吧，从去年暑假开始学习，打算入坑深度学习，其中跑过demo，自己用Flask搭配YOLOv5写过网页端
1.引言前两篇博客已经完成了对于Yolov5算法的基本环境配置以及训练测试过程，本篇着重完成图形界面开发过程。前两篇博客链接如下：第一篇第二篇2.下载安装pyqt5工具包以及配置ui界面开发环境输入指令，进行下载。点击File->Settings->ExternalTools进行工具添加，依次进行QtDesigner、PyUIC、PyRCC、Pyinstall环境配置。2.1QtDesignerQtDesigner是通过拖拽的方式放置控件，并实时查看控件效果进行快速UI设计。位置内容name可以随便命名，只要便于记忆就可以，本次采取通用命名：QtDesignerProgramdesigner.
1.引言前两篇博客已经完成了对于Yolov5算法的基本环境配置以及训练测试过程，本篇着重完成图形界面开发过程。前两篇博客链接如下：第一篇第二篇2.下载安装pyqt5工具包以及配置ui界面开发环境输入指令，进行下载。点击File->Settings->ExternalTools进行工具添加，依次进行QtDesigner、PyUIC、PyRCC、Pyinstall环境配置。2.1QtDesignerQtDesigner是通过拖拽的方式放置控件，并实时查看控件效果进行快速UI设计。位置内容name可以随便命名，只要便于记忆就可以，本次采取通用命名：QtDesignerProgramdesigner.
导读目标检测Yolo算法是非常经典且应用广泛的算法，而在Yolo中，又分成了输入端、网络推理、输出层，每个部分都可以延伸出很多的优化方式，本文主要从Yolov1~v7各个版本的Backbone，Neck，Head，Tricks进行了讲解，希望对大家有帮助。近年来YOLO系列层出不穷，更新不断，已经到v7版本。不能简单用版本高低来评判一个系列的效果好坏，YOLOv1-v7不同版本各有特色，在不同场景，不同上下游环境，不同资源支持的情况下，如何从容选择使用哪个版本，甚至使用哪个特定部分，都需要我们对YOLOv1-v7有一个全面的认识。故将YOLO系列每个版本都表示成下图中的五个部分，逐一进行解析，
一、前期准备：首先你需要有一份yolov5的官方源码，并且能够找到其中的detect.py文件即可。在检测过程中，有些项目不需要我们检测所有的区域，比如禁止区域的入侵检测，只需要检测制定规划出来的区域就可以。例如下图所示这样，在网上随便找的一段视频，这是其中的一张截图：二、区域检测原理分析在使用YOLOv5的有些时候，我们会遇到一些具体的目标检测要求，比如要求不检测全图，只在规定的区域内才检测。所以为了满足这个需求，可以使用掩码操作去覆盖掉不想检测的区域，使得在检测的时候，只检测我们规定的检测范围。1、确定区域检测范围#maskforcertainregion#1,2,3,4分别对应左上，右上
在阿里达摩院ICLR2022发表的论文《GiraffeDet:AHeavy-NeckParadigmforObjectDetection》中，他们提出了GiraffeDet，它具有极轻量级计算量的backbone和大计算量的neck，使得网络更关注于高分辨率特征图中空间信息和低分辨率特征图中语义信息的信息交互。同时在2022年11月底他们开源的DAMOYOLO中，再一次用到了GFPN的思想，他们基于queen-fusion的GFPN，加入了高效聚合网络（ELAN）和重参数化的思想，构成了一个新的Neck网络RepGFPN，乘着火热，本篇将在YOLOv6Pro框架中，在YOLOV6的neck结构
