基于pytorch实现VGG16模型前言​最近在看经典的卷积网络架构，打算自己尝试复现一下，在此系列文章中，会参考很多文章，有些已经忘记了出处，所以就不贴链接了，希望大家理解。​完整的代码在最后。本系列必须的基础​python基础知识、CNN原理知识、pytorch基础知识本系列的目的​一是帮助自己巩固知识点；​二是自己实现一次，可以发现很多之前的不足；​三是希望可以给大家一个参考。目录结构文章目录基于pytorch实现VGG16模型1.VGG16模型介绍：2.VGG16模型构建：3.总结：1.VGG16模型介绍：​VGG是2014发布的，在图像分类上的ImageNet比赛上为当时的亚军，冠军

文章目录一.requires_grad属性：查看是否记录梯度二.requires_grad_()函数：调用函数设置记录梯度与否三.requires_grad属性参数，创建tensor时设置是否记录梯度四.查看模型的权重名称和参数值五.查看模型权重梯度值一.requires_grad属性：查看是否记录梯度x=torch.rand(3,3)#直接创建的tensor变量默认是没有梯度的x.requires_grad结果如下：False二.requires_grad_()函数：调用函数设置记录梯度与否函数：requires_grad_(requires_grad=True)x=torch.tensor

文章目录一.requires_grad属性：查看是否记录梯度二.requires_grad_()函数：调用函数设置记录梯度与否三.requires_grad属性参数，创建tensor时设置是否记录梯度四.查看模型的权重名称和参数值五.查看模型权重梯度值一.requires_grad属性：查看是否记录梯度x=torch.rand(3,3)#直接创建的tensor变量默认是没有梯度的x.requires_grad结果如下：False二.requires_grad_()函数：调用函数设置记录梯度与否函数：requires_grad_(requires_grad=True)x=torch.tensor

pytorchgpu是必须装的，因为cpu太慢了。最新的pytorch版本是2.0下面是安装教程。首先，登录pytorch.org网站，看你要安装的cuda版本。目前最新的支持cuda11.8，于是我选择了11.8然后，登录cuda官网，下载cuda11.8cuda最新版已经是12.1了。pytorch不支持！！！！！所以，找11.8版下载。安装cuda。安装的时候，gpu显卡驱动需要用cuda11.8版本里面带着的显卡驱动。可以解压缩，强制安装（直接用设备管理器，显卡更新驱动，解压cuda11.8的安装文件，找到里面的显卡驱动文件夹）。直接用cuda的安装会提示，因为有新版本安装不成功。验证

目录一、获取大佬的yolov7源码二、配置深度学习环境三、准备数据集 四、用yolov7训练自己的数据集五、用训练好的模型测试六、用训练好的模型预测一、获取大佬的yolov7源码yolov7源码地址，把ZIP文件下载后解压，打不开链接记得使用魔法，魔法自己找这个没办法教。或者也可以选择通过我分享的网盘下载：链接：百度网盘下载链接，提取码：yam3。 打开解压后的文件夹应该可以看到这个页面。二、配置深度学习环境我的环境是：WIN10、RTX2060、Python=3.7。这里推荐使用Anaconda来创建环境，自己先在电脑上安装好conda的运行环境，这里特别注意在安装的时候记得把conda添加

目录一、获取大佬的yolov7源码二、配置深度学习环境三、准备数据集 四、用yolov7训练自己的数据集五、用训练好的模型测试六、用训练好的模型预测一、获取大佬的yolov7源码yolov7源码地址，把ZIP文件下载后解压，打不开链接记得使用魔法，魔法自己找这个没办法教。或者也可以选择通过我分享的网盘下载：链接：百度网盘下载链接，提取码：yam3。 打开解压后的文件夹应该可以看到这个页面。二、配置深度学习环境我的环境是：WIN10、RTX2060、Python=3.7。这里推荐使用Anaconda来创建环境，自己先在电脑上安装好conda的运行环境，这里特别注意在安装的时候记得把conda添加

文章目录目标追踪篇---yolov8_tracking复现1、下载源代码2、下载权重3、运行代码3.1、运行以下命令：3.2、结果如下3.3、视频结果目标追踪篇—yolov8_tracking复现  本人的另一篇博客，本博客主要是源代码更新产生的新博客，比较过后两者还是有点差异目标追踪篇—Yolov5_DeepSort_Pytorch复现1、下载源代码mikel-brostrom/yolov8_tracking克隆代码gitclone--recurse-submoduleshttps://github.com/mikel-brostrom/yolov8_tracking.git#clonere

YOLOv8是Ultralytics公司开发的YOLO目标检测和图像分割模型的最新版本，相较于之前的版本，YOLOv8可以更快速有效地识别和定位图像中的物体，以及更准确地分类它们。作为一种深度学习技术，YOLOv8需要大量的训练数据来实现最佳性能。为了让YOLOv8能够有效地识别自己的应用中的物体，开发者需要准备大量的训练数据，而构建自定义数据集是一个非常耗时的过程，往往收集图像、标记图像并以正确的格式导出它们可能就需要数十甚至数百个小时。为了解决这一问题，YOLOv8在官方教程中，为我们推荐了一款强大的开源工具——Roboflow。Roboflow介绍Roboflow是一款专为YOLOv8设

YOLOv8是Ultralytics公司开发的YOLO目标检测和图像分割模型的最新版本，相较于之前的版本，YOLOv8可以更快速有效地识别和定位图像中的物体，以及更准确地分类它们。作为一种深度学习技术，YOLOv8需要大量的训练数据来实现最佳性能。为了让YOLOv8能够有效地识别自己的应用中的物体，开发者需要准备大量的训练数据，而构建自定义数据集是一个非常耗时的过程，往往收集图像、标记图像并以正确的格式导出它们可能就需要数十甚至数百个小时。为了解决这一问题，YOLOv8在官方教程中，为我们推荐了一款强大的开源工具——Roboflow。Roboflow介绍Roboflow是一款专为YOLOv8设

文章目录前言🚀YOLOv5-6.x源码分析（二）----val.py1.导入需要的包2.保存信息3.计算指标4.设置opt参数5.执行main函数6.执行run函数6.1设置参数6.2初始化/加载模型以及设置设备6.3加载配置6.4加载val数据集6.5初始化6.6开始验证6.6.1验证前的预处理6.6.2前向推理6.6.3计算损失6.6.4NMS6.6.5统计真实框、预测框信息6.6.6保存预测信息6.6.7画出前3个bs图片的gt和pred框6.6.8计算mAP6.6.9打印各种指标6.6.10ReturnResults总结前言今天又看到了一位博主的分类专栏，更加坚定了我要养成坚持写博客的