随着社会和经济的持续发展，电力系统的投资与建设也日益加速。在电力系统中，输电线路作为电能传输的载体，是最为关键的环节之一。而绝缘子作为输电环节中的重要设备，在支撑固定导线，保障绝缘距离的方面有着重要作用。大多数高压输电线路主要架设在非城市内地区，绝缘子在输电线路中由于数量众多、跨区分布，且长期暴露在空气中，受恶劣自然环境的影响，十分容易发生故障。随着大量输电工程的快速建设，传统依靠人工巡检的模式，已经越来越难以适应高质量运维的要求。随着国网公司智能化要求的提升，无人机技术的快速应用，采取无人机智能化巡视，能够大幅度减少运维人员及时间，提升质量，因此得到快速发展。深度学习技术的大量应用，计算机运
YOLO系列—YOLOV7算法（三）：YOLOV7算法train.py代码解析先介绍下每个参数的含义（直接在代码上写吧）parser=argparse.ArgumentParser()parser.add_argument('--weights',type=str,default='',help='initialweightspath')#初始化权重文件，如果有预训练模型，可以直接在此加载parser.add_argument('--cfg',type=str,default=r'E:\work\People_Detect\yolov7-main\cfg\training\yolov7x.ya
YOLO系列—YOLOV7算法（三）：YOLOV7算法train.py代码解析先介绍下每个参数的含义（直接在代码上写吧）parser=argparse.ArgumentParser()parser.add_argument('--weights',type=str,default='',help='initialweightspath')#初始化权重文件，如果有预训练模型，可以直接在此加载parser.add_argument('--cfg',type=str,default=r'E:\work\People_Detect\yolov7-main\cfg\training\yolov7x.ya
论文地址：https://export.arxiv.org/pdf/2303.03667v1.pdf为了设计快速神经网络，许多工作都集中在减少浮点运算（FLOPs）的数量上。然而，作者观察到FLOPs的这种减少不一定会带来延迟的类似程度的减少。这主要源于每秒低浮点运算（FLOPS）效率低下。并且，如此低的FLOPS主要是由于运算符的频繁内存访问，尤其是深度卷积。因此，本文提出了一种新的partialconvolution（PConv），通过同时减少冗余计算和内存访问可以更有效地提取空间特征。基于PConv进一步提出FasterNet，在广泛的设备上实现了比其他网络高得多的运行速度，而不影响各种
论文地址：https://export.arxiv.org/pdf/2303.03667v1.pdf为了设计快速神经网络，许多工作都集中在减少浮点运算（FLOPs）的数量上。然而，作者观察到FLOPs的这种减少不一定会带来延迟的类似程度的减少。这主要源于每秒低浮点运算（FLOPS）效率低下。并且，如此低的FLOPS主要是由于运算符的频繁内存访问，尤其是深度卷积。因此，本文提出了一种新的partialconvolution（PConv），通过同时减少冗余计算和内存访问可以更有效地提取空间特征。基于PConv进一步提出FasterNet，在广泛的设备上实现了比其他网络高得多的运行速度，而不影响各种
这篇博文只适合想快速发期刊且基础不是太好的同学看看找找灵感🌟，如果想发的是Sci或者顶会看我这篇博文意义不大,以下也仅仅代表我个人看法👍。大家好，我是迪菲赫尔曼😁，我最近将本人硕士阶段所有学习的计算机视觉基础知识进行了一个系统性的整理，编写了《目标检测蓝皮书🍀》，共计101010篇内容，涵盖从基础知识到论文改进的整个时间线，包含第111篇机器学习基础、第222篇深度学习基础、第333篇卷积神经网络、第444篇经典热门网络结构、第555篇目标检测基础、第666篇网络搭建及训练、第777篇模型优化方法及思路、第888篇模型超参数调整策略、第999篇模型改进技巧、第101010篇模型部署基础等，详细
这篇博文只适合想快速发期刊且基础不是太好的同学看看找找灵感🌟，如果想发的是Sci或者顶会看我这篇博文意义不大,以下也仅仅代表我个人看法👍。大家好，我是迪菲赫尔曼😁，我最近将本人硕士阶段所有学习的计算机视觉基础知识进行了一个系统性的整理，编写了《目标检测蓝皮书🍀》，共计101010篇内容，涵盖从基础知识到论文改进的整个时间线，包含第111篇机器学习基础、第222篇深度学习基础、第333篇卷积神经网络、第444篇经典热门网络结构、第555篇目标检测基础、第666篇网络搭建及训练、第777篇模型优化方法及思路、第888篇模型超参数调整策略、第999篇模型改进技巧、第101010篇模型部署基础等，详细
博文目录文章目录效果展示工程源码环境准备第一阶段使用自带模型实现实时目标检测屏幕截图封装详见toolkit.py中Capture类目标检测封装详见toolkit.py中Detector类实时目标检测详见detect.realtime.py第二阶段训练模型与简单尝试labelimgclasses.txt与标记文件说明简单尝试编写数据集配置文件编写训练文件参数运行训练文件运行结果测试训练结果如何取得最好的训练效果第三阶段训练射击场假人专用检测模型训练规划训练假人截图详见grab.for.apex.dummy.py标记参数训练测试粗浅的优化方案模型层面的优化部署TensorRT推理加速第四阶段主功能
博文目录文章目录效果展示工程源码环境准备第一阶段使用自带模型实现实时目标检测屏幕截图封装详见toolkit.py中Capture类目标检测封装详见toolkit.py中Detector类实时目标检测详见detect.realtime.py第二阶段训练模型与简单尝试labelimgclasses.txt与标记文件说明简单尝试编写数据集配置文件编写训练文件参数运行训练文件运行结果测试训练结果如何取得最好的训练效果第三阶段训练射击场假人专用检测模型训练规划训练假人截图详见grab.for.apex.dummy.py标记参数训练测试粗浅的优化方案模型层面的优化部署TensorRT推理加速第四阶段主功能
本文实现了俩种环境的设置，一种是windows的CPU版本，还有服务器上的GPU版本。CPU版本仅用来实现检测，而GPU版本用来训练自己的数据集！（选择其中一个环境运行后，训练自己的数据集）1.环境1：windows11,anaconda虚拟环境（python3.9），pycharmultralytics/ultralytics:YOLOv8🚀inPyTorch>ONNX>CoreML>TFLite(github.com)下载文件到本地后解压缩pipinstall-rrequirements.txt根据自己的路径位置，下载所需要的包(或者pipinstallultralytics都一样)配置环
