本文章纯属记录学习使用，我也不太明白是否为小目标检测层，不对的地方还希望一块交流 yolov5初始模型在特征融合时只对P3、P4、P5、三个特征层进行了融合，添加小目标检测层的目的是把P2（也就是yaml文件中第二个conv层得到的特征图）也加入到特征融合中。P2位于低特征层，具有较强的位置信息，语义特征信息较弱，常用来进行小目标检测，这篇博客我觉得写的很好   高低特征层。但并不是你觉得你所要检测的是小目标，就需要加入小目标检测层，当添加小目标检测层有时会适得其反，并不会有所改进。看论文对于小目标的定义为：小于32*32像素的目标为小目标。（yaml能跑通但是有些不合理，等有时间会修改）添加

pytorch模型保存与加载总结模型保存与加载方式模型保存方式一只存储模型中的参数，该方法速度快，占用空间少（官方推荐使用）model=VGGNet()torch.save(model.state_dict(),PATH)方式二存储整个模型model=VGGNet()torch.save(model,PATH)模型加载方式一对应第一种保存方式，首先构架模型架构，然后加载参数new_model=VGGNet()             new_model.load_state_dict(torch.load(PATH)) 方式二对应第二种保存方式，不再需要第一种方法中的建立新模型的步骤new_m

pytorch模型保存与加载总结模型保存与加载方式模型保存方式一只存储模型中的参数，该方法速度快，占用空间少（官方推荐使用）model=VGGNet()torch.save(model.state_dict(),PATH)方式二存储整个模型model=VGGNet()torch.save(model,PATH)模型加载方式一对应第一种保存方式，首先构架模型架构，然后加载参数new_model=VGGNet()             new_model.load_state_dict(torch.load(PATH)) 方式二对应第二种保存方式，不再需要第一种方法中的建立新模型的步骤new_m

        我一直是这样以为的：pytorch的底层实现是c++(这一点没有问题，见下边的pytorch结构图),然后这个部分顺理成章的被命名为torch,并提供c++接口,我们在python中常用的是带有python接口的，所以被称为pytorch。昨天无意中看到Torch是由lua语言写的，这让我十分震惊，完全颠覆了我的想象。所以今天准备查找并记录一下pytorch的发展历史，与其他框架的联系。当然以下列举的部分难以面面俱到，如果您知道哪些有意思的相关知识，请在评论区评论。pytorch结构图图片来源https://golden.com/wiki/PyTorch-NMGD4Y4，如果你

目录一、什么是YOLOv5？二、YOLO目标检测技术发展史1、发展历程一览2、各版本差异三、YOLOv5网络结构和组件一、什么是YOLOv5？参考学习：了解YOLO:https://baijiahao.baidu.com/s?id=1664853943386329436&wfr=spider&for=pc https://zhuanlan.zhihu.com/p/25236464了解目标检测（推荐）：https://www.bilibili.com/video/BV1m5411A7FD  “YOLO”是一个对象检测算法的名字，YOLO将对象检测重新定义为一个回归问题。它将单个卷积神经网络(C

目录一、什么是YOLOv5？二、YOLO目标检测技术发展史1、发展历程一览2、各版本差异三、YOLOv5网络结构和组件一、什么是YOLOv5？参考学习：了解YOLO:https://baijiahao.baidu.com/s?id=1664853943386329436&wfr=spider&for=pc https://zhuanlan.zhihu.com/p/25236464了解目标检测（推荐）：https://www.bilibili.com/video/BV1m5411A7FD  “YOLO”是一个对象检测算法的名字，YOLO将对象检测重新定义为一个回归问题。它将单个卷积神经网络(C

睿智的目标检测65——Pytorch搭建DETR目标检测平台学习前言源码下载DETR实现思路一、整体结构解析二、网络结构解析1、主干网络Backbone介绍a、什么是残差网络b、什么是ResNet50模型c、位置编码2、编码网络Encoder网络介绍a、TransformerEncoder的构建b、Self-attention结构解析3、解码网络Decoder网络介绍4、预测头的构建三、预测结果的解码四、训练部分1、计算Loss所需内容2、正样本的匹配过程3、计算Loss训练自己的DETR模型一、数据集的准备二、数据集的处理三、开始网络训练四、训练结果预测学习前言基于Transformer的目

睿智的目标检测65——Pytorch搭建DETR目标检测平台学习前言源码下载DETR实现思路一、整体结构解析二、网络结构解析1、主干网络Backbone介绍a、什么是残差网络b、什么是ResNet50模型c、位置编码2、编码网络Encoder网络介绍a、TransformerEncoder的构建b、Self-attention结构解析3、解码网络Decoder网络介绍4、预测头的构建三、预测结果的解码四、训练部分1、计算Loss所需内容2、正样本的匹配过程3、计算Loss训练自己的DETR模型一、数据集的准备二、数据集的处理三、开始网络训练四、训练结果预测学习前言基于Transformer的目

CycleGAN代码参考代码CycleGAN原理代码介绍modelsdatasetsutilscycle_gantest训练结果放在一个文件里参考代码参考代码链接：https://github.com/Lornatang/CycleGAN-PyTorch数据集百度云：https://pan.baidu.com/s/1UryUwsCoyqG_xhH7VJXdLw?pwd=hqkbCycleGAN原理cycleGAN是一种由GenerativeAdversarialNetworks发展而来的一种无监督机器学习，是在pix2pix的基础上发展起来的，主要应用于非配对图片的图像生成和转换，可以实现风格

CycleGAN代码参考代码CycleGAN原理代码介绍modelsdatasetsutilscycle_gantest训练结果放在一个文件里参考代码参考代码链接：https://github.com/Lornatang/CycleGAN-PyTorch数据集百度云：https://pan.baidu.com/s/1UryUwsCoyqG_xhH7VJXdLw?pwd=hqkbCycleGAN原理cycleGAN是一种由GenerativeAdversarialNetworks发展而来的一种无监督机器学习，是在pix2pix的基础上发展起来的，主要应用于非配对图片的图像生成和转换，可以实现风格