代码来源：https://github.com/milesial/Pytorch-UNet1.搭建环境开始搭建环境之前一定要仔细阅读readme我选择的是WithoutDocker，那么我将遵循以下要求来配置环境：安装CUDA官网：https://developer.nvidia.com/cuda-toolkit-archive可以通过指令nvidia-smi查看自己的电脑能够支持的CUDA的最高版本可以看到我的电脑最高支持的CUDA版本是11.7，然后就到官网上选择低于这个版本的CUDA下载就可以啦，我第一次选择的是10.2，但是在安装的时候遇到了问题，因此最终选择了11.3的版本，原因在之

代码来源：https://github.com/milesial/Pytorch-UNet1.搭建环境开始搭建环境之前一定要仔细阅读readme我选择的是WithoutDocker，那么我将遵循以下要求来配置环境：安装CUDA官网：https://developer.nvidia.com/cuda-toolkit-archive可以通过指令nvidia-smi查看自己的电脑能够支持的CUDA的最高版本可以看到我的电脑最高支持的CUDA版本是11.7，然后就到官网上选择低于这个版本的CUDA下载就可以啦，我第一次选择的是10.2，但是在安装的时候遇到了问题，因此最终选择了11.3的版本，原因在之

我的配置：CUDA版本：11.7Pytorch版本：1.13.0Anaconda版本：anaconda3.2022.10（64-bit）Pycharm版本：2022社区版具体配置过程如下：1.Anaconda安装本次安装的anaconda为win64位，我直接在联想应用商店安装大家也可以直接打开www.anaconda.com进行自己所想要的版本安装关于安装Anaconda的页面选择： 安装路径：（这个安装路径需要记住，后面在安装别的东西会用到） 安装完成后可以在最近添加的项目中找到：接着打开AnacondaPrompt： 看到该窗口的显示了base则说明anaconda安装成功： 按Shif

我的配置：CUDA版本：11.7Pytorch版本：1.13.0Anaconda版本：anaconda3.2022.10（64-bit）Pycharm版本：2022社区版具体配置过程如下：1.Anaconda安装本次安装的anaconda为win64位，我直接在联想应用商店安装大家也可以直接打开www.anaconda.com进行自己所想要的版本安装关于安装Anaconda的页面选择： 安装路径：（这个安装路径需要记住，后面在安装别的东西会用到） 安装完成后可以在最近添加的项目中找到：接着打开AnacondaPrompt： 看到该窗口的显示了base则说明anaconda安装成功： 按Shif

原理在一张图片中每隔一个像素拿到一个值，类似于邻近下采样，这样就拿到了四张图片，四张图片互补，长的差不多，但是没有信息丢失，这样一来，将W、H信息就集中到了通道空间，输入通道扩充了4倍，即拼接起来的图片相对于原先的RGB三通道模式变成了12个通道，最后将得到的新图片再经过卷积操作，最终得到了没有信息丢失情况下的二倍下采样特征图。以yolov5s为例，640×640×3的图像输入Focus模块，先变成320×320×12的特征图，再经过一次卷积操作，变成320×320×32的特征图。图解如下Focus模块代码classFocus(nn.Module):#Focuswhinformationint

口罩数据集：GitHub-X-zhangyang/Real-World-Masked-Face-Dataset:Real-WorldMaskedFaceDataset，口罩人脸数据集yolov5源码：GitHub-ultralytics/yolov5:YOLOv5🚀inPyTorch>ONNX>CoreML>TFLite一.深度学习目标检测算法分类1. 基于区域提取的两阶段目标检测1.1SPP-Net1.2R-CNN 1.3FASTR-CNN 1.4FASTER-CNN2. 基于回归的单阶段为目标检测2.1 YOLO系列(YOLO,YOLOv1,2,3,4,5,7)2.2 OverFeat二.

一、模型输出解析：        设输出图片大小为1280，768，类别个数为2，则yolov5输出的三种特征图，其维度分别为：[1,3,96，160，7]，[1,3,48,80,7]，[1,3,24,40,7]；相当于yolov5模型总共输出（96*160+48*80+24*40）*3=60480个目标框；        其中，[1,3,96,160,7]中1指代输入图像个数为1，3指的是该尺度下的3种anchor，(96,160) 指的是特征图的尺寸，7具体指的是：（center_x,center_y,width,height,obj_conf,class_1_prob，class_2_p

已完成的环境配置：TX2刷机后，完成了opencv4.5.1的编译：Ubuntu18.04安装opencv4.5.1+contrib支持cuda加速（附带编译好的opencv4.5.1及缺失文件）_Barrymaster的博客-CSDN博客TX2版本及配置环境如下：一、换源一般刷机的时候应该换过源了，没换过的可以参照下方刷机文章的换源部分（注意：TX2和ubuntupc源不共用）NvidiaTX2刷机全过程_Barrymaster的博客-CSDN博客_tx2刷机二、安装pytorchpytorch分架构，所以pc端与TX2的安装方法不同。这里直接在系统环境下使用python3安装的流程，全程用

已完成的环境配置：TX2刷机后，完成了opencv4.5.1的编译：Ubuntu18.04安装opencv4.5.1+contrib支持cuda加速（附带编译好的opencv4.5.1及缺失文件）_Barrymaster的博客-CSDN博客TX2版本及配置环境如下：一、换源一般刷机的时候应该换过源了，没换过的可以参照下方刷机文章的换源部分（注意：TX2和ubuntupc源不共用）NvidiaTX2刷机全过程_Barrymaster的博客-CSDN博客_tx2刷机二、安装pytorchpytorch分架构，所以pc端与TX2的安装方法不同。这里直接在系统环境下使用python3安装的流程，全程用

PyTorch2.0发布也有一段时间了，大家是不是已经开始用了呢？PyTorch2.0通过引入torch.compile，可以显着提高训练和推理速度。与eagerly模式相反，编译API将模型转换为中间计算图（FXgraph），然后以某种方式将其编译为低级计算内核，这样可以提高运行速度。对于PyTorch2.0而言，你看到的可能是：“只是用torch.compile调用包装它们就可以提高运行速度”但是其实有许多因素会干扰计算图编译和/或达到所需的性能改进。所以需要调整模型和达到最佳性能可能需要重新设计项目或修改一些编码习惯。在本文中，我们将演示这个新功能的使用，以及介绍在使用它时可能遇到的一些