前言最近把李沐大神《动手学深度学习v2》的目标检测部分学完了，就想找一个项目练练手，学以致用嘛，觉着人脸口罩佩戴检测比较符合当下时代背景，所以就选择了这个项目，也是前几天刚刚完成的，写下这篇博客记录一下具体过程，废话不多说，现在开始吧。文章目录前言一、数据集获取与介绍二、数据预处理三、下载YOLOv5代码四、配置所需环境五、模型训练六、模型使用总结一、数据集获取与介绍获取人脸口罩的数据集有两种方式：第一种就是使用网络上现有的数据集第二种就是使用labelimg工具创建自己的数据集，可以参考一下这位博主的文章：labelImg使用教程图像标定工具注意！：无论哪种方式，都一定要弄清楚2点：1、数据

github仓库所需：安装了Ubuntu20系统的RK3588安装了Ubuntu18的电脑或者虚拟机一、yolov5PT模型获取Anaconda教程YOLOv5教程经过上面两个教程之后，你应该获取了自己的best.pt文件二、PT模型转onnx模型将models/yolo.py文件中的class类下的forward函数由：defforward(self,x):z=[]#inferenceoutputforiinrange(self.nl):x[i]=self.m[i](x[i])#convbs,_,ny,nx=x[i].shape#x(bs,255,20,20)tox(bs,3,20,20,8

需要源码请点赞关注收藏后评论区留言留下QQ~~~一、DDPG背景及简介  在动作离散的强化学习任务中，通常可以遍历所有的动作来计算动作值函数q(s,a)q(s,a)，从而得到最优动作值函数q∗(s,a)q∗(s,a) 。但在大规模连续动作空间中，遍历所有动作是不现实，且计算代价过大。针对解决连续动作空间问题，2016年TPLillicrap等人提出深度确定性策略梯度算法（DeepDeterministicPolicyGradient，DDPG）算法。该算法基于深度神经网络表达确定性策略μ(s)μ(s)，采用确定性策略梯度来更新网络参数，能够有效应用于大规模或连续动作空间的强化学习任务中。景  

21个项目玩转PyTorch实战通过经典项目入门PyTorch，通过前沿项目提升PyTorch，基于PyTorch玩转深度学习，本书适合人工智能、机器学习、深度学习方面的人员阅读，也适合其他IT方面从业者，另外，还可以作为相关专业的教材。京东自营购买链接：https://item.jd.com/13522327.htmlPyTorch是基于Torch库的开源机器学习库，它主要由Meta（原Facebook）的人工智能研究实验室开发，在自然语言处理和计算机视觉领域都具有广泛的应用。本书介绍了简单且经典的入门项目，方便快速上手，如MNIST数字识别，读者在完成项目的过程中可以了解数据集、模型和训练

🌟想了解更多YOLO系列算法更多进阶教程欢迎订阅我的专栏🌟基础不好的同学可以试试看一下我的《目标检测蓝皮书》🚀，里面包含超多目标检测实用知识，想速通目标检测，看这本就对了！想了解YOLO系列算法进阶教程的同学可以关注这个专栏YOLOv5/v7进阶实战|安卓部署|PyQt5页面|剪枝✂️|蒸馏⚗️|FlaskWeb部署|改进教程，里面包含多种手把手的部署压缩教程，除此之外还有大量的改进~文章目录Yolov5如何更换BiFPN?第一步：修改common.py第二步：修改yolo.py第三步：修改trai

目录1案例介绍2构造深度Q网络3经验回放与目标网络4训练流程5实验分析1案例介绍FlappyBird是一款由来自越南的独立游戏开发者DongNguyen所开发的作品，于2013年5月24日上线。在FlappyBird中，玩家只需要用一根手指来操控：点击一次屏幕，小鸟就会往上飞一次，不断地点击就会使小鸟不断往高处飞。放松手指，小鸟则会快速下降。所以玩家要控制小鸟一直向前飞行，然后注意躲避途中高低不平的管子。小鸟每安全穿过一个水管得1分，若撞上水管则游戏失败。如图所示是用强化学习模型DQN训练AI完成FlappyBird游戏的案例，接下来具体分析如何实现这个案例2构造深度Q网络深度Q网络(Deep

🌟想了解更多YOLO系列算法更多进阶教程欢迎订阅我的专栏🌟基础不好的同学可以试试看一下我的《目标检测蓝皮书》🚀，里面包含超多目标检测实用知识，想速通目标检测，看这本就对了！想了解YOLO系列算法进阶教程的同学可以关注这个专栏YOLOv5/v7进阶实战|安卓部署|PyQt5页面|剪枝✂️|蒸馏⚗️|FlaskWeb部署|改进教程，里面包含多种手把手的部署压缩教程，除此之外还有大量的改进~文章目录Yolov7如何更换BiFPN?第一步：修改common.py第二步：修改yolo.py第三步：修改trai

一、知识蒸馏算法理论讲解 知识蒸馏说真的还是挺重要的，当时看论文的时候，总是会出现老师网络和学生网络，把我说的一脸蒙，所以自己就进行了解了一下，做了一些笔记和大家一起分享！不过大家也可以看同济子豪兄的视频，非常不错。知识蒸馏Pytorch代码实战_哔哩哔哩_bilibili，连接给到大家了。首先我们要知道为什么要进行知识蒸馏，那就是在训练的时候，我们可以去花费一切的资源和算力去训练模型，得到的结果也是非常好的，但是在应用落地的时候，也就是需要在一些嵌入式设备使用的时候，那么这么庞大的模型肯定是不能够在手机端或者其他设备上运行的，或者需要的推理时间非常长，那么这个模型就只能在实验室待着了。为了解

《记录自己在使用yolov5遇到的一些问题》同时也供大家参考，如果对你们有帮助，希望大家可以给个点赞、收藏鼓励下，非常感谢！以自带的一张图片作为示例,yolov5(6.1版本)的初始检测框应该是如下图所示修改线条粗细、隐藏标签、隐藏置信度 首先有一些参数作者已经放在detect.py的parse_opt()里，如下代码所示：parser.add_argument('--line-thickness',default=3,type=int,help='boundingboxthickness(pixels)')parser.add_argument('--hide-labels',default

前言本篇不会讲过多的原理，因为网上有很多关于YOLOv5的数据增强的原理，讲的都很详细，但是似乎找不到有关将增强结果保存到文件夹的笔记。可能也是因为用途比较少，刚好我需要使用一些增强的数据所以琢磨研究了怎么保存其结果（刚开始是尝试调用有关函数进行使用，后面发现关联的函数实在太多了比较复杂还不如直接修改其输出）。如果你进行深度学习但数据集似乎不太够，且寻找新的一组数据的代价较大的话，可以尝试使用数据增强进行扩充数据集来达到目的。数据增强大概流程#mermaid-svg-2JRbNmMPiARBG2Ft{font-family:"trebuchetms",verdana,arial,sans-se