1.总结一下最开始为了检测不规则的麻包袋，所以采用了目标检测。yolov3，fasterrcnn，ssd。这种矩形框还是可以用。后面检测的物体变成了规则的纸箱，我们还用目标检测发现，没有旋转角度，因为箱子的摆放不是正的。只能通过opencv的minarea去找到最小矩形框去寻找角度。但是opencv的方式首先对物体要和背景颜色区分，其次不够优美，毕竟算是2步走。后面又尝试多训练一个角度，也就是把角度分成180个类别去分类，这个方式及其不稳定，也可能是我代码写的不好，但是后面发现，有人在做旋转矩形检测旋转矩形框检测,说实话，我把杨雪提供的框架跑了一遍，效果很差，角度的回归就像没用一样，反正很不如

1、Using/home/liao/.cache/torch_extensions/py38_cu102asPyTorchextensionsroot…程序卡在Using/home/liao/.cache/torch_extensions/py38_cu102asPyTorchextensionsroot…无法运行下去：解决方法：在/home/liao/.cache下删除torch_extensions文件夹。原因：之前运行pytorch时，不正常退出，导致的进程问题。2、AttributeError:‘collections.OrderedDict’objecthasnoattribute‘

    有同学后台私信我，想用YOLOv5实现目标的分类计数，因此本文将在之前目标计数博客的基础上添加一些代码，实现分类计数。阅读本文前请先看那篇博客，链接如下：YOLOv5实现目标计数_Albert_yeager的博客1.分类实现    以coco数据集为例，其类别如下（共80类）。注意，每个类别都对应着一个序号，如：'person'序号为0, 'bicycle'序号为1, 'car' 序号为2...这个在之后的调用中会用到。     找到之前写的的计数模块（详见之前的博客），将其替换为下面的代码，即可实现分类计数功能，下面我将进行详细的讲解。#Writeresults+计数#count=0

目录1.Pytorch环境的配置及安装如何管理项目环境？如何看自己电脑cuda版本？安装Pytorch 2.Python编辑器的选择、安装及配置PyCharm PyCharm神器Jupyter（可交互） 3.Python学习中的两大法宝函数说明 实战操作总结4.Pycharm及Jupyter使用及对比如何在PyCharm中新建项目？Python控制台​编辑如何在Jupyter中新建项目？三种运行方式（PyCharm、PyCharm的Python控制台、JupyterNotebook）的适用场景：5.PyTorch加载数据初认识PyTorch读取数据涉及两个类：Dataset&Dataloade

目录1.Pytorch环境的配置及安装如何管理项目环境？如何看自己电脑cuda版本？安装Pytorch 2.Python编辑器的选择、安装及配置PyCharm PyCharm神器Jupyter（可交互） 3.Python学习中的两大法宝函数说明 实战操作总结4.Pycharm及Jupyter使用及对比如何在PyCharm中新建项目？Python控制台​编辑如何在Jupyter中新建项目？三种运行方式（PyCharm、PyCharm的Python控制台、JupyterNotebook）的适用场景：5.PyTorch加载数据初认识PyTorch读取数据涉及两个类：Dataset&Dataloade

学完了深度学习的理论和框架，接下来就是实践啦！相信大家在实践的时候都会去找各种的项目，本文是kaggle上面的一个深度学习小项目，目的是实现人脸表情的分类。接下来我将具体讲解实现过程，相信你只要学了深度学习的理论知识，对pytorch框架有所了解，就能够看得懂。话不多说，开讲！深度学习首先要做的就是准备数据集，本项目的数据集可以直接从kaggle上面下载，附上链接（FER-2013数据集）。数据集由训练集和测试集组成，训练集包含28709张人脸图片，按照不同表情分为愤怒，厌恶，恐惧，快乐，悲伤，惊讶，中性七个类别，放在不同的文件夹中。测试集包含3589图片，也一样的分好类放在不同的文件夹中，其

目录前言一.nn.Module1.1.nn.Parameter1.2.nn.functional1.3.nn.Module二.nn.Sequential三.nn.ModuleList三.nn.ModuleDict前言  在深度学习模型创建的时候，我们经常会碰到nn.Sequential,nn.ModuleList,nn.ModuleDict这三个东西，尤其是在迁移学习训练的时候经常碰到，他们到底是什么，怎么用的，使用的时候有哪些注意事项，通过这篇博文浅记一下。一.nn.Module  在介绍这三个容器之前，我们需要先知道什么是Module。我们在创建模型的时候几乎所有的模型都是继承于这个类。他

推断的准备工作接下来我将从官方代码开始，一步一步展示如何进行图片、视频识别首先从GitHub下载官方代码（也可以从下面链接获取）：链接：https://pan.baidu.com/s/16wzV899D90TY2Xwhx4TwhA提取码：vzvj将环境切换到之前配置完成的yolo环境（你的环境名可能和我不一样）实现图片目标检测可以看到'--weights'参数（参数解读详见4.a）的默认值为'yolov5s.pt'这表明运行代码时使用yolov5s的权重参数进行推断。这里有两种运行办法，一种是直接运行，他会自动到外网上下载模型，如果网络不好的话可能会报错；另一种是先下载把模型文件放到detec

推断的准备工作接下来我将从官方代码开始，一步一步展示如何进行图片、视频识别首先从GitHub下载官方代码（也可以从下面链接获取）：链接：https://pan.baidu.com/s/16wzV899D90TY2Xwhx4TwhA提取码：vzvj将环境切换到之前配置完成的yolo环境（你的环境名可能和我不一样）实现图片目标检测可以看到'--weights'参数（参数解读详见4.a）的默认值为'yolov5s.pt'这表明运行代码时使用yolov5s的权重参数进行推断。这里有两种运行办法，一种是直接运行，他会自动到外网上下载模型，如果网络不好的话可能会报错；另一种是先下载把模型文件放到detec

在自定义数据上训练YOLOv8目标检测模型的步骤可以总结如下6步：🌟收集数据集🌟标注数据集🌟划分数据集🌟配置训练环境🌟训练模型🌟评估模型1.收集数据集随着深度学习技术在计算机视觉领域的广泛应用，行人检测和车辆检测等任务已成为热门研究领域。然而，实际应用中，可用的预训练模型可能并不适用于所有应用场景。例如，虽然预先训练的模型可以检测出行人，但它无法区分“好人”和“烂人”，因为它没有接受相关的训练。因此，我们需要为自定义检测模型提供足够数量的带有标注信息的图像数据，来训练模型以区分“好人”和“烂人”。从而更好地保护我们的安全。同时提醒大家在生活中也应该注意识别那些道貌岸然的小人行为，以保护自己的权