一，YOLOv1Abstract1.Introduction2.UnifiedDetectron2.1.NetworkDesign2.2Training2.4.Inferences4.1ComparisontoOtherReal-TimeSystems5，代码实现思考二，YOLOv2摘要YOLOv2的改进1，中心坐标位置预测的改进2，1个gird只能对应一个目标的改进3，backbone的改进4，多尺度训练损失函数三，YOLOv3摘要1，介绍2，改进2.1，边界框预测2.2，分类预测2.3，跨尺度预测2.4，新的特征提取网络2.5，训练2.5，推理3，实验结果4，失败的尝试5，改进的意义四，Y

文章目录烟雾和火灾检测从零开始使用YOLOv5+PyQt5+OpenCV实现1.数据集的制作1.1数据集采集1.2使用labelme对图片进行标注2.YOLOv52.1YOLO算法简单介绍2.2YOLOv5获取与调试2.2.1下载yolov5代码2.2.2安装yolov5训练所需的第三方库：2.2.3下载预训练的权重文件2.2.4配置自己的yaml文件2.2.5开始训练2.2.5编写detection方法用于后续检测的调用3.Pyqt53.1介绍3.2window平台安装4.OpenCV安装5.界面布局6.图片、视频、摄像头实时三个模块整合完整代码7使用7.1.注意在使用时需要先选择权重7.2

成功解决RuntimeError:[enforcefailatC:\actions-runner\_work\pytorch\pytorch\builder\windows\pytorch\c10\core\impl\alloc_cpu.cpp:72]data.DefaultCPUAllocator:notenoughmemory:youtriedtoallocate180355072bytes.目录解决问题解决思路解决方法T1、减少内存需求T2、释放不需要的内存T3、使用更大容量的机器或增加系统内存T4、使用分批处理或分布式计算T5、优化代码和内存管理解决问题RuntimeError:[en

目录1.SRCNN介绍训练过程损失函数个人对SRCNN训练过程的理解2.实验常见问题和部分解读1.torch.utils.data.dataloader中DataLoader函数的用法2.SRCNN图像颜色空间转换原因以及方法？3.model.parameters()与model.state_dict()的区别4..item（）函数的用法？5.最后的测试过程步骤？6.argparse的使用以及定义7.unsqueeze与squeeze的使用 1.unsqueeze用法：在数组原来维度索引i之间增加一个维度2.Squeeze用法：挤压掉tensor数据中维度特征数为1的维度8.对Python之i

目录1.SRCNN介绍训练过程损失函数个人对SRCNN训练过程的理解2.实验常见问题和部分解读1.torch.utils.data.dataloader中DataLoader函数的用法2.SRCNN图像颜色空间转换原因以及方法？3.model.parameters()与model.state_dict()的区别4..item（）函数的用法？5.最后的测试过程步骤？6.argparse的使用以及定义7.unsqueeze与squeeze的使用 1.unsqueeze用法：在数组原来维度索引i之间增加一个维度2.Squeeze用法：挤压掉tensor数据中维度特征数为1的维度8.对Python之i

0.写在最前此篇文字针对yolov7-1.0版本。最近粗略的看了一遍yolov7的论文，关于yolov7和其他yolo系列的对比，咱就不多说了，大佬们的文章很多很详细。关于opencv部署方面，其实yolov7和yolov5的初期版本（5.0以前的版本）很像，分为三个输出口，yolov5-6.0之后的版本合并了三个输出口变成一个output输出【需要注意的是，虽然yolov可以在export的时候加上--grid参数将detect层加入之后变成和yolov5最新版本的输出一致（可以不用改yolov5代码直接跑yolov7的那种一致,当然，anchors数据还是得改的），但是我试过了，openc

0.写在最前此篇文字针对yolov7-1.0版本。最近粗略的看了一遍yolov7的论文，关于yolov7和其他yolo系列的对比，咱就不多说了，大佬们的文章很多很详细。关于opencv部署方面，其实yolov7和yolov5的初期版本（5.0以前的版本）很像，分为三个输出口，yolov5-6.0之后的版本合并了三个输出口变成一个output输出【需要注意的是，虽然yolov可以在export的时候加上--grid参数将detect层加入之后变成和yolov5最新版本的输出一致（可以不用改yolov5代码直接跑yolov7的那种一致,当然，anchors数据还是得改的），但是我试过了，openc

Pytorch多卡并行训练教程（DDP）在使用GPU训练大模型时，往往会面临单卡显存不足的情况，这时候就希望通过多卡并行的形式来扩大显存。PyTorch主要提供了两个类来实现多卡并行分别是torch.nn.DataParallel(DP)torch.nn.DistributedDataParallel(DDP)关于这两者的区别和原理也有许多博客如Pytorch并行训练（DP，DDP）的原理和应用;DDP系列第一篇：入门教程进行总结，这里就不在赘述了。不过总结来说的话:DP比较简单，对小白比较友好，一行代码便可以搞定。DDP每个进程对应一个独立的训练过程，且只对梯度等少量数据进行信息交换。每个进

文章目录前言一、解决问题二、基本原理三、剪枝操作四、知识蒸馏操作前言作为当前先进的深度学习目标检测算法YOLOv7，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv7的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。由于出到YOLOv7，YOLOv5算法2020年至今已经涌现出大量改进论文，这个不论对于搞科研的同学或者已经工作的朋友来说，研究的价值和新颖度都不太够了，为与时俱进，以后改进算法以YOLOv7为基础，此前YOLOv

目录一、项目背景二、数据预处理1、标签与特征分离2、数据可视化3、分割训练集和测试集三、搭建模型四、训练模型五、训练结果附录一、项目背景基于深度学习的面部表情识别(Facial-expressionRecognition)数据集cnn_train.csv包含人类面部表情的图片的label和feature。在这里，面部表情识别相当于一个分类问题，共有7个类别。其中label包括7种类型表情：一共有28709个label，即包含28709张表情包。每一行就是一张表情包4848=2304个像素，相当于4848个灰度值(intensity)(0为黑,255为白)本项目同时支持GPU与CPU上运行。二、