慢慢学，慢慢干。 大神博客：https://yolov5.blog.csdn.net/article/details/125148552我老老实实的按照大神博主的方案进行修改。第一步：common.py中添加BiFPN模型#BiFPN#两个特征图add操作classBiFPN_Add2(nn.Module):def__init__(self,c1,c2):super(BiFPN_Add2,self).__init__()#设置可学习参数nn.Parameter的作用是：将一个不可训练的类型Tensor转换成可以训练的类型parameter#并且会向宿主模型注册该参数成为其一部分即model.p
使用YOLOV5训练数据之后我们需要一些评判标准来告诉我们所训练的效果究竟如何。这时，YOLOV5给出了一个文件解决我们的问题。该文件在直接生成为runs文件，可理解记录一些运行时的日志信息。confusion_matrix.png(混淆矩阵)作为一种特定的二维矩阵，列代表预测的类别，行代表实际的类别。其对角线上的值表示预测正确的数量比例，非对角线元素则是预测错误的部分。混淆矩阵的对角线值越高越好，这表明许多预测是正确的。上图是对是否戴口罩进行训练，有图可以看出将一个图片分为了三个部分，分别是戴口罩，不戴口罩和backgroundFP。该图在每列上进行归一化处理。则可以看出戴口罩预测正确的概率
（一）前情这个工作已经有大佬用在自己的工程里了，他的帖子链接：https://blog.csdn.net/weixin_45829462/article/details/120372921但他的这个lite主要不是研究repvgg的，是做移动端的，但是里面加了这个repvgg他的代码链接：https://github.com/ppogg/YOLOv5-Lite/tree/ca7ed7ca0bb578fe6e5eaa777e84f661ad457e49我是看了看他的代码，然后把关于repvgg的地方加到了自己的yolov5-7.0中（但后续我没用seg去做训练，就正常训练）后续我还试着把rep-
大家新年快乐，事业生活蒸蒸日上，解封的第一个年，想必大家都回家过年，好好陪陪家人了吧，这篇文章也是我在老家码的，还记得上篇我带大家基本了解了whisper，相信大家对whisper是什么，怎么安装whisper，以及使用都有了一个认识，这次作为新年第一篇文章，我将介绍一下自己开发的基于whisper+pyqt5做的一个字幕生成工具，还挺有意思的，中间也遇到各种问题，然后解决。每次尝试做什么，最爽莫过于遇到问题，然后一一解决，最后成功的实现自己想要的，就算是一个再简单的项目，相信大家只要有成长就会很满足开心吧。话不多说，直接进入今天的主题，让我们来看看这个工具。外观首先让我们来看看工具样子如下图
检测算法作为深度学习的一种主要基础算法，一直吸引着广大的科研工作者。这里总结了一些常见的Loss，作为记录。目录1.BCEBlurWithLogitsLoss2.FocalLoss 3.QFocalLoss4.APLoss5.aLRPLoss6.RankSortLoss7.IOULossGIoUDIoU CIoU（CompleteIoUloss）EnhancedCompletedIoUEfficientIoULossαIoUSIoU 检测算法一般包含分类损失(区分目标类别的)，回归损失（回归坐标的），目标置信度（表示是否存在目标的，也是一个分类损失）。先说分类损失
最近做了一个打架识别的项目，有感于当时开发资料的匮乏，特做一个小结，供大家参考。闲话少叙，看看效果先。 1.研究现状 目前打架检测，主要有3种主流的方法，分别是：（1）基于Detection的打架检测。其主要思想是:将打架作为一种类别，通过分类的方式，将打架行为检测出来。目前这方面的研究较少，且没有公开可用的数据集，想要沿着这条路走，需自备数据集，自行探索。（2）基于骨骼点的打架检测。其主要思想是：通过OpenPose等框架，将人体的骨骼点回归出来，然后基于骨骼点写逻辑，进行判断。目前有一部分人是基于这个做的打架检测。但是打架过程中如果人员纠缠
PyQT开发图形界面应用时，可用QTableWidget控件，以表格方式直观地显示二维表格形状的数据，如列表，数组、pandasDataFrame等。如果你想用表格方式直接显示并操作数据库表时，选择QTableView类更合适。QTableWidget代码实现步骤：步骤如下：生成QTableWidget对象设置表头以及表格参数构建QTableWidgetItem表格项对象，将表格项添加至表格中。添加、删除行通过信号–槽机制来操作数据1.生成QTableWidget对象示例中，生成1个联系人表格，创建1个QTableWidget对象#创建QTablewWidget对象，设置表头及参数self.t
文章目录前言一优化器二超参数参考前言一优化器机器学习的五个步骤：数据->模型->损失->优化器->迭代训练。我们通过前向传播的过程，得到了模型输出与真实标签的差异，我们称之为损失，有了损失，我们会进入反向传播过程得到参数的梯度，那么接下来就是优化器干活了，优化器要根据我们的这个梯度去更新参数，使得损失不断的降低。那么优化器是怎么做到的呢？该博主从三部分进行展开，首先是优化器的概念，然后是优化器的属性和方法，最后是常用的优化器。深度学习优化算法经历了SGD->SGDM->NAG->AdaGrad->AdaDelta->Adam->Nadam这样的发展历程。该博主详细告诉你这些算法是如何一步一步演
前言本人从一个小白，一路走来，已能够熟练使用YOLOv5算法来帮助自己解决一些问题，早就想分析一下自己的学习心得，一直没有时间，最近工作暂时告一段落，今天抽空写点东西，一是为自己积累一些学习笔记，二是可以为一些刚接触YOLOv5算法的小白们提供一些参考，希望大家看之前能够动动你的小手，给我点个关注，给文章点个赞，如果此文确实给你提供了帮助，希望你能在留言区打两个字个“此文有用！”，以此来让这篇文章获得更多的流量，让更多小白能够看到。YOLOv5那么多深度学习算法，为什么要用YOLOv5？我觉得很简单，因为YOLOv5快、YOLOv5火、YOLOv5流行啊，为什么不用YOLOv7、YOLOv8，
文章目录更新提醒：2023/04/01更新YOLOv7简介预训练权重（用不用？用哪个？）总结更新提醒：2023/04/01更新YOLOv7简介YOLOv7论文链接：YOLOv7:Trainablebag-of-freebiessetsnewstate-of-the-artforreal-timeobjectdetectors官方github代码链接：https://github.com/WongKinYiu/yolov7YOLOv7于2022.07发布，已被CVPR2023接收！此贴记录自己使用YOLOv7训练自己数据集时权重使用问题最后个人建议，能不用YOLOv7就别用！！！别用！！！别用！
