网上关于torch的乘法文章也很多，但是也很凌乱，所以这里我自己整理了一份。本文的核心不是弄清楚torch是怎样实现的，源码如何，文档如何，本文只针对在什么情况下该调用怎样的方法。本文中只介绍了我使用过的方法，如果后续有新的方法就再进行添加。目录1乘法1.1向量乘法1.2矩阵乘法1.3张量乘法1.3.1带batch的矩阵乘法1.3.2万能乘法2对位相乘2.1直接乘法2.2调库实现本文所有计算都以以下两个矩阵举例：a=[1122],b=[1212]a=\left[\begin{matrix}1&1\\2&2\\\end{matrix}\right],b=\left[\begin{matrix}1

前言欢迎大家关注有三AI的视频课程系列，我们的视频课程系列共分为5层境界，内容和学习路线图如下：第1层：掌握学习算法必要的预备知识，包括Python编程，深度学习基础，数据使用，框架使用。第2层：掌握CV算法最底层的能力，包括模型设计基础，图像分类，模型分析。第3层：掌握CV算法最核心的方向，包括图像分割，目标检测，图像生成，目标跟踪。第4层：掌握CV算法最核心的应用，包括人脸图像，图像质量，视频分析，图像编辑。第5层：掌握算法落地的关键技术，包括模型优化，模型部署。其中部分课程的主体内容已经更新完毕，比如数据使用/模型分析/图像分类/图像分割/目标检测/图像生成/图像翻译/视频分类/模型部署

背景在v5的训练过程中，使用wandb是一个很常见可视化工具，它有很多的图表，可以对训练过程中可以提取的评价指标进行可视化，今天做一个整理。可视化指标LOSSloss分为cls_loss,box_loss,obj_loss三部分。cls_loss用于监督类别分类，计算锚框与对应的标定分类是否正确。box_loss用于监督检测框的回归，预测框与标定框之间的误差（CIoU）。obj_loss用于监督grid中是否存在物体，计算网络的置信度。参考资料：https://blog.csdn.net/u011994454/article/details/119564834metricsmAP(IoU@0.

摘要：水下海洋目标检测技术具有广泛的应用前景，可以用于海洋环境监测、海洋资源开发、海洋生物学研究等领域。本文提出了一种基于YOLOv5的水下海洋目标检测方法，使用数据增强方法进行了大量实验，并与其他方法进行了对比，实现了在检测各种不同的海洋环境和水下目标中都取得较高的准确率，具有较好的泛化能力。关键词：水下海洋目标检测 YOLOv5 特征提取一、背景介绍水下海洋目标检测是指在水下海洋环境中，使用计算机视觉技术来识别和定位海洋目标的过程。由于水下海洋环境的特殊性，水下海洋目标检测具有一定的挑战。例如，水下环境中的光照不均匀、水流会干扰图像质量、目标的形态会受到水流的影响等。因此，需开发出一套能够

摘要：水下海洋目标检测技术具有广泛的应用前景，可以用于海洋环境监测、海洋资源开发、海洋生物学研究等领域。本文提出了一种基于YOLOv5的水下海洋目标检测方法，使用数据增强方法进行了大量实验，并与其他方法进行了对比，实现了在检测各种不同的海洋环境和水下目标中都取得较高的准确率，具有较好的泛化能力。关键词：水下海洋目标检测 YOLOv5 特征提取一、背景介绍水下海洋目标检测是指在水下海洋环境中，使用计算机视觉技术来识别和定位海洋目标的过程。由于水下海洋环境的特殊性，水下海洋目标检测具有一定的挑战。例如，水下环境中的光照不均匀、水流会干扰图像质量、目标的形态会受到水流的影响等。因此，需开发出一套能够

文章目录yolov5s网络结构图yolov5s-6.0网络结构图yolov5各模型性能比较图CSPDarknet网络SPP模块路径聚合网络单/双阶段目标检测算法框架人工神经元卷积神经网络结构卷积操作ReLU激活函数最大值池化全连接层切片操作锚框IOU损失DIOU损失SVM原理图创建直方图过程RGB颜色空间直方图均衡化gamma校正今天整理文件时看到自己之前用PPT画的一些结构图，可能也许会有人用得上，就上传上来吧哈哈哈别说这些图画起来还挺费时的，放上PPT版链接可以根据自己的需求更改。如果有时间的话还是自己动手画一画，画的过程也可以加深对网络结构的理解。PPT版网盘链接：提取码：98dayol

文章目录yolov5s网络结构图yolov5s-6.0网络结构图yolov5各模型性能比较图CSPDarknet网络SPP模块路径聚合网络单/双阶段目标检测算法框架人工神经元卷积神经网络结构卷积操作ReLU激活函数最大值池化全连接层切片操作锚框IOU损失DIOU损失SVM原理图创建直方图过程RGB颜色空间直方图均衡化gamma校正今天整理文件时看到自己之前用PPT画的一些结构图，可能也许会有人用得上，就上传上来吧哈哈哈别说这些图画起来还挺费时的，放上PPT版链接可以根据自己的需求更改。如果有时间的话还是自己动手画一画，画的过程也可以加深对网络结构的理解。PPT版网盘链接：提取码：98dayol

目录一、安装显卡驱动1、查看显卡驱动型号2、下载显卡驱动3、查看GPU状态二、安装VisualStudio2019三、安装CUDA1、下载对应版本的CUDA2、安装下载好的CUDA3、设置环境变量 四、安装cudnn五、安装anaconda六、安装PyTorch1、创建虚拟环境2、激活并进入虚拟环境3、安装PyTorch4、验证PyTorch是否安装成功注意：30系列的的显卡暂时不支持cuda11以下版本！！！一、安装显卡驱动1、查看显卡驱动型号右击右下角开始，在设备管理器中查看计算机显卡型号，例如我的显卡是GTX1050：2、下载显卡驱动进入英伟达官网，下载对应的显卡驱动：官方驱动|NVID

目录一、安装显卡驱动1、查看显卡驱动型号2、下载显卡驱动3、查看GPU状态二、安装VisualStudio2019三、安装CUDA1、下载对应版本的CUDA2、安装下载好的CUDA3、设置环境变量 四、安装cudnn五、安装anaconda六、安装PyTorch1、创建虚拟环境2、激活并进入虚拟环境3、安装PyTorch4、验证PyTorch是否安装成功注意：30系列的的显卡暂时不支持cuda11以下版本！！！一、安装显卡驱动1、查看显卡驱动型号右击右下角开始，在设备管理器中查看计算机显卡型号，例如我的显卡是GTX1050：2、下载显卡驱动进入英伟达官网，下载对应的显卡驱动：官方驱动|NVID

文章目录前言1.项目介绍2.yolov5的网络结构1.yolov5s的配置文件2.网络模型的初始化和训练过程3.backbone4.head1.三层预测2.4层预测5.detect补充个更直观点的图总结前言yolov5已经很成熟了，作为一个拥有发展系列的检测器，它拥有足够的精度和满足现实中实时性要求，所以许多项目和比赛都能用的上，自己也拿来参加过比赛。本博客的讲解代码来源：https://github.com/ultralytics/yolov51.项目介绍YOLOv5针对不同大小的输入和网络深度宽度，主要分成了（n,s,m,l,x）和（n6,s6,m6,l6,x6），这些都在yolov5的项