文章目录前言一、YOLO简介二、代码下载三、数据集准备四、配置文件的修改1.data下的yaml2.models下的yaml3.训练train五、搭载服务器训练1.上传数据2.租服务器3.pycharm连接服务器1.添加ssh2.输入密码3.配置服务器环境路径跟代码映射路径4.解压数据5.开始训练6.文件下载到本地六、测试总结前言在前面文章中提到，目标检测有两种方式，一种是one_stage（单阶段）如YOLO一种是two_stage（双阶段）如Faster_Rcnn，Mask_Rcnn。之前介绍了Faster_Rcnn，这篇文章主要介绍YOLOV5代码复现过程，以及配置文件的修改。一、YOL

点击蓝字关注我们关注并星标从此不迷路计算机视觉研究院学习群｜扫码在主页获取加入方式论文地址： https://arxiv.org/pdf/2208.09686.pdf代码地址： https://github.com/YuHengsss/YOLOV01概述视频目标检测(VID)具有挑战性，因为目标外观的高度变化以及某些帧中的各种劣化。积极的一面是，与静止图像相比，在视频的某一帧中进行检测可以得到其他帧的支持。因此，如何跨不同帧聚合特征是VID问题的关键。大多数现有的聚合算法都是为两阶段检测器定制的。但是，由于两阶段的性质，此类检测器通常在计算上很耗时。今天分享的研究者提出了一种简单而有效的策略来

点击蓝字关注我们关注并星标从此不迷路计算机视觉研究院学习群｜扫码在主页获取加入方式论文地址： https://arxiv.org/pdf/2208.09686.pdf代码地址： https://github.com/YuHengsss/YOLOV01概述视频目标检测(VID)具有挑战性，因为目标外观的高度变化以及某些帧中的各种劣化。积极的一面是，与静止图像相比，在视频的某一帧中进行检测可以得到其他帧的支持。因此，如何跨不同帧聚合特征是VID问题的关键。大多数现有的聚合算法都是为两阶段检测器定制的。但是，由于两阶段的性质，此类检测器通常在计算上很耗时。今天分享的研究者提出了一种简单而有效的策略来

摘要：基于YOLOv5的舰船检测与识别系统用于识别包括渔船、游轮等多种海上船只类型，检测船舰目标并进行识别计数，以提供海洋船只的自动化监测和管理。本文详细介绍船舰类型识别系统，在介绍算法原理的同时，给出Python的实现代码、训练数据集以及PyQt的UI界面。在界面中可以选择各种图片、视频进行检测识别；可对图像中存在的多目标进行识别分类。博文提供了完整的Python代码和使用教程，适合新入门的朋友参考，完整代码资源文件请转至文末的下载链接。本博文目录如下：文章目录前言1.效果演示2.数据集和YOLOv5训练3.舰船检测识别下载链接结束语➷点击跳转至文末所有涉及的完整代码文件下载页☇基于YOLO

摘要：基于YOLOv5的舰船检测与识别系统用于识别包括渔船、游轮等多种海上船只类型，检测船舰目标并进行识别计数，以提供海洋船只的自动化监测和管理。本文详细介绍船舰类型识别系统，在介绍算法原理的同时，给出Python的实现代码、训练数据集以及PyQt的UI界面。在界面中可以选择各种图片、视频进行检测识别；可对图像中存在的多目标进行识别分类。博文提供了完整的Python代码和使用教程，适合新入门的朋友参考，完整代码资源文件请转至文末的下载链接。本博文目录如下：文章目录前言1.效果演示2.数据集和YOLOv5训练3.舰船检测识别下载链接结束语➷点击跳转至文末所有涉及的完整代码文件下载页☇基于YOLO

一、在backbone后面引入注意力机制1、先把注意力结构代码放到common.py文件中，以SE举例，将这段代码粘贴到common.py文件中2、找到yolo.py文件里的parse_model函数，将类名加入进去3、修改配置文件（我这里拿yolov5s.yaml举例子），将注意力层加到你想加入的位置；常用的一般是添加到backbone的最后一层，或者C3里面，这里是加在了最后一层当在网络中添加了新的层之后，那么该层网络后续的层的编号都会发生改变，看下图，原本Detect指定的是[17,20,23]层，所以在我们添加了SE注意力层之后也要Detect对这里进行修改，即原来的17层变成了18层

一、在backbone后面引入注意力机制1、先把注意力结构代码放到common.py文件中，以SE举例，将这段代码粘贴到common.py文件中2、找到yolo.py文件里的parse_model函数，将类名加入进去3、修改配置文件（我这里拿yolov5s.yaml举例子），将注意力层加到你想加入的位置；常用的一般是添加到backbone的最后一层，或者C3里面，这里是加在了最后一层当在网络中添加了新的层之后，那么该层网络后续的层的编号都会发生改变，看下图，原本Detect指定的是[17,20,23]层，所以在我们添加了SE注意力层之后也要Detect对这里进行修改，即原来的17层变成了18层

视频链接：https://www.bilibili.com/video/BV1J3411C7zd?vd_source=a0d4f7000e77468aec70dc618794d26f代码：https://github.com/WZMIAOMIAO/deep-learning-for-image-processingFCN是2015年提出的首个端对端的针对像素级预测的全卷积网络。如今的pytorch实现的FCN都是基于ResNet-50的backbone，不是论文中的VGG16，且使用的是空洞卷积（也叫膨胀卷积）pytorch官方实现的FCN网络结构图博主github：https://githu

视频链接：https://www.bilibili.com/video/BV1J3411C7zd?vd_source=a0d4f7000e77468aec70dc618794d26f代码：https://github.com/WZMIAOMIAO/deep-learning-for-image-processingFCN是2015年提出的首个端对端的针对像素级预测的全卷积网络。如今的pytorch实现的FCN都是基于ResNet-50的backbone，不是论文中的VGG16，且使用的是空洞卷积（也叫膨胀卷积）pytorch官方实现的FCN网络结构图博主github：https://githu

1.state_dict简介state_dict是Python的字典对象，可用于保存模型参数、超参数以及优化器（torch.optim）的状态信息。需要注意的是，只有具有可学习参数的层（如卷积层、线性层等）才有state_dict。下面就拿官方教程中的一个小示例来说明state_dict的使用：importtorchimporttorch.nnasnnimporttorch.optimasoptim#定义模型classTheModelClass(nn.Module):def__init__(self):super(TheModelClass,self).__init__()self.conv1