Yolov5_DeepSort_Pytorch
全部标签本文是利用pytorch自定义CNN网络系列的第二篇，主要介绍构建网络前数据集的准备，关于本系列的全文见这里。笔者的运行设备与软件：CPU(AMDRyzen™54600U)+pytorch(1.13，CPU版)+jupyter；本文所用到的资源：链接：https://pan.baidu.com/s/1WgW3IK40Xf_Zci7D_BVLRg提取码：1212在训练网络模型时，我们可以使用torchvision库自带的数据集（torchvision.datasets），也可以使用自己的数据集。实际运用中一般都是使用自己的数据集，本文就讲一下该如何准备自己的数据。这里呢，笔者偷了个懒，我使用的是
鸢尾花数据集是机器学习领域非常经典的一个分类任务数据集。它的英文名称为IrisDataSet，使用sklearn库可以直接下载并导入该数据集。数据集总共包含150行数据，每一行数据由4个特征值及一个标签组成。标签为三种不同类别的鸢尾花，分别为：IrisSetosa，IrisVersicolour，IrisVirginica。对于多分类任务，有较多机器学习的算法可以支持。本文将使用决策树、线性回归、SVM等多种算法来完成这一任务，并对不同方法进行比较。01、使用Logistic实现鸢尾花分类在前面介绍过Logistic用于二分类任务，对其进行扩展也用于多分类任务。下面将使用sklearn库完成一
鸢尾花数据集是机器学习领域非常经典的一个分类任务数据集。它的英文名称为IrisDataSet，使用sklearn库可以直接下载并导入该数据集。数据集总共包含150行数据，每一行数据由4个特征值及一个标签组成。标签为三种不同类别的鸢尾花，分别为：IrisSetosa，IrisVersicolour，IrisVirginica。对于多分类任务，有较多机器学习的算法可以支持。本文将使用决策树、线性回归、SVM等多种算法来完成这一任务，并对不同方法进行比较。01、使用Logistic实现鸢尾花分类在前面介绍过Logistic用于二分类任务，对其进行扩展也用于多分类任务。下面将使用sklearn库完成一
一、yolo中txt文件的说明：二、yolo跑视频、图片文件的格式：三、yolov5训练结果不好的原因：1.欠拟合：在训练集上表现很差，测试集上表现也很差的现象可能是欠拟合导致的，是因为泛化能力太强，误识别率较高解决办法： 1）增加数据集的正样本数,增加主要特征的样本数量 2）增加训练次数 3）减小正则化参数2.过拟合:在训练集上表现很好，在测试集上表现很差（模型太复杂）解决办法： 1）增加其他的特征的样本数,重新训练网络. 2）训练数据占总数据的比例过小，增加数据的训练量3. loss值不再变小就说明训练好了四、yolov5训练结果（train
一、yolo中txt文件的说明：二、yolo跑视频、图片文件的格式：三、yolov5训练结果不好的原因：1.欠拟合：在训练集上表现很差，测试集上表现也很差的现象可能是欠拟合导致的，是因为泛化能力太强，误识别率较高解决办法： 1）增加数据集的正样本数,增加主要特征的样本数量 2）增加训练次数 3）减小正则化参数2.过拟合:在训练集上表现很好，在测试集上表现很差（模型太复杂）解决办法： 1）增加其他的特征的样本数,重新训练网络. 2）训练数据占总数据的比例过小，增加数据的训练量3. loss值不再变小就说明训练好了四、yolov5训练结果（train
利用yolov5进行目标检测，并将检测到的目标裁剪出来写在前面：关于yolov5的调试运行在这里不做过多赘述，有关yolov5的调试运行请看：https://www.bilibili.com/video/BV1tf4y1t7ru/spm_id_from=333.999.0.0&vd_source=043dc71f3eaf6a0ccb6dada9dbd8be37本文章主要讲解的是裁剪。需求：识别图片中的人物并将其裁剪出来如果只需识别人物的话，那么只需在yolov5中设定参数即可，例如使用命令行运行时：python--classes0即为将参数设置为只识别人。此外需要将检测到的目标裁剪出来还需要目
利用yolov5进行目标检测，并将检测到的目标裁剪出来写在前面：关于yolov5的调试运行在这里不做过多赘述，有关yolov5的调试运行请看：https://www.bilibili.com/video/BV1tf4y1t7ru/spm_id_from=333.999.0.0&vd_source=043dc71f3eaf6a0ccb6dada9dbd8be37本文章主要讲解的是裁剪。需求：识别图片中的人物并将其裁剪出来如果只需识别人物的话，那么只需在yolov5中设定参数即可，例如使用命令行运行时：python--classes0即为将参数设置为只识别人。此外需要将检测到的目标裁剪出来还需要目
一、YOLOV7主要贡献： 主要是现有的一些trick的集合以及模块重参化和动态标签分配策略，最终在5FPS到160FPS范围内的速度和准确度都超过了所有已知的目标检测器。 当前目标检测主要的优化方向：更快更强的网络架构；更有效的特征集成方法；更准确的检测方法；更精确的损失函数；更有效的标签分配方法；更有效的训练方法。二、参考代码：1、C++参考地址：https://github.com/UNeedCryDear/yolov7-opencv-dnn-cpp2、yolov7的版本：https://github.com/WongKinYiu/yolov7三、应用说明：
一、YOLOV7主要贡献： 主要是现有的一些trick的集合以及模块重参化和动态标签分配策略，最终在5FPS到160FPS范围内的速度和准确度都超过了所有已知的目标检测器。 当前目标检测主要的优化方向：更快更强的网络架构；更有效的特征集成方法；更准确的检测方法；更精确的损失函数；更有效的标签分配方法；更有效的训练方法。二、参考代码：1、C++参考地址：https://github.com/UNeedCryDear/yolov7-opencv-dnn-cpp2、yolov7的版本：https://github.com/WongKinYiu/yolov7三、应用说明：
本文是利用pytorch自定义CNN网络系列的第一篇，主要介绍torchvision工具箱及其使用，关于本系列的全文见这里。笔者的运行设备与软件：CPU(AMDRyzen™54600U)+pytorch(1.13，CPU版)+jupyter；本文所用到的资源：链接：https://pan.baidu.com/s/1WgW3IK40Xf_Zci7D_BVLRg提取码：12121.torchvision简介torchvision是基于pytorch的工具箱，主要用来处理图像数据，其内包含一些常用的数据集、模型、图像转换等。torchvision工具箱主要包含以下四大模块：torchvision.m
