重要的下载资源链接放在前面：jetpack4.5资源主要内容记录在了自己的石墨文档里，自己习惯性地修改起来比较快，可能后续小修小改在那边更新。这里就做一个csdn的拷贝造福各位。https://shimo.im/docs/R13j8xWzZ5h4NVk5/《xavier配置环境流程记录》 目录重要：流程：亮机：硬盘挂载（非必需）：apt换源：语言环境：安装nomachine：安装jtop：安装cuda/cudnn/tensorrt：安装archiconda：安装numpy/cv2/matplotlib库：安装torch/torchvision：pycuda：tensorrt和yolov5的模型

YOLOV7改进--增加小目标检测层说明代码原始p5配置添加小目标检测层说明yolov7来啦！！！因为项目需要，尝试跑了下yolov7，感觉还不错。由于现在使用的数据集大部分都是“小目标”，并且之前有在yolov5上增加小目标检测层的经验，所以尝试了下在yolov7上添加小目标检测层，废话不多说，直接看代码吧！代码原始p5配置#parametersnc:80#numberofclassesdepth_multiple:1.0#modeldepthmultiplewidth_multiple:1.0#layerchannelmultiple#anchorsanchors:-[12,16,19,3

Faster-RCNN模型搭建跑通总结0、前言1、准备操作系统2、安装驱动及cuda2.1、安装驱动2.2、安装cuda3、安装anaconda和pytorch3.1安装anaconda3.1.1为什么推荐安装anaconda而不是pip安装？3.1.2安装anaconda3.1.3配置国内镜像源3.2安装pytorch3.2.1确认要安装的pytorch版本3.2.2安装pytorch3.2.2.1在conda中创建虚拟环境3.2.2.2激活该虚拟环境3.2.2.3在该环境中安装pytorch3.2.2.4确认安装的pytorch版本4、训练faster-rcnn模型4.1下载模型到本地4.

 （3）自适应图片缩放在常用的目标检测算法中，不同的图片长宽都不相同，因此常用的方式是将原始图片统一缩放到一个标准尺寸，再送入检测网络中。比如Yolo算法中常用416*416，608*608等尺寸，比如对下面800*600的图像进行缩放。  但Yolov5代码中对此进行了改进，也是Yolov5推理速度能够很快的一个不错的trick。作者认为，在项目实际使用时，很多图片的长宽比不同，因此缩放填充后，两端的黑边大小都不同，而如果填充的比较多，则存在信息冗余，影响推理速度。因此在Yolov5的代码中datasets.py的letterbox函数中进行了修改，对原始图像自适应的添加最少的黑边。图像高度

mmcv与cuda、pytorch版本兼容要求，见mmcv官方文档：https://mmcv.readthedocs.io/zh_CN/latest/get_started/installation.html#pip安装部分。目前网页上默认最新版2.x版本，若要切换旧版，点击页面左下角切换即可。查看自己的cuda和torch版本：python-c'importtorch;print(torch.__version__);print(torch.version.cuda)'#pytorch2.0版本需要cuda11.7及以上点击文档链接选择自己所需版本，拷贝对应的安装命令，进行安装注意！！！op

1.YOLOV5的前处理Anchor的改进1.1Anchor生成的改进首先YOLOV3/V4/V5都是根据训练的数据集来生成anchor,就是在训练之前用一个独立的程序去计算Anchor,但是还不够好因为自动生成的anchor是拿来整个数据集去做的，但是我们知道目标检测训练的时候是分batch训练的,YOLOV5这边把这个功能嵌入到训练的流程中,也就是说YOLOV5每一个batch会生成一次anchor更加贴近我们的数据集。1.2Anchor生成的流程载如当前batch的全部Width,Height将每张图片中的w,h的最大值等比例缩放到指定大小,较小的边也相应的缩放这里的指定大小是一个超参数

原因：访问的国外的url，很慢要更换一下镜像源解决方式：找到这个目录下的这个文件，图里面的“1234”是我的用户名右键打开，打开方式可以用记事本，把下面的复制进去channels:-http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/-http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/-http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/show_channel_urls:truessl_verify:true完

一、下载M芯片的anaconda，并安装二、安装GPU版本的pytorch1.安装Xcodexcode-select--install2.创建环境condacreate-ntorch-gpupython=3.9condaactivatetorch-gpu3.打开pytorch官网复制命令, 注意:在macm上，device是’mps’而不是’cuda’,mac的MPS支持MacOS12.3+ 4.测试importtorchimportmathprint(torch.backends.mps.is_available())#Trueprint(torch.backends.mps.is_buil

这个问题是由于路径设置错误导致的，以下几个文件的路径都要保持一致。（1）yolov5-master/VOCData/xml_to_yolo.py这个文件是将xml格式的label转为txt格式，这个地方建议直接改为绝对路径。 （2）yolov5-master\train.pytrain文件里面的ROOT也需要改为yolov5-master所在路径，后续代码都使用了ROOT连接。（3）yolov5-master\data\myvoc.yaml此处建议改为绝对路径。 （4）yolov5-master\utils\dataloaders.py此处问题比较容易忽略，打开该文件，搜索definelabe

文章目录IntroductionSection1起因Section2魔改的思路Section3代码Part1参数部分Part2识别APIPart3完整的`DetectAPI.py`Part4修改`dataloaders.py`Section4调用Section5以库文件的形式进行安装与调用ReferenceIntroductionYoloV5作为YoloV4之后的改进型，在算法上做出了优化，检测的性能得到了一定的提升。其特点之一就是权重文件非常的小，可以在一些配置更低的移动设备上运行，且提高速度的同时准确度更高。具体的性能见下图[^1]。本次使用的是最新推出的YoloV5Version7版本。