前言模型压缩方法主要4种：网络剪枝(Networkpruning)稀疏表示(Sparserepresentation)模型量化(Modelquantification)知识蒸馏(Konwledgedistillation)本文主要来研究知识蒸馏的相关知识，并尝试用知识蒸馏的方法对YOLOv5进行改进。知识蒸馏理论简介概述知识蒸馏(KnowledgeDistillation)由深度学习三巨头Hinton在2015年提出。论文标题：Distillingtheknowledgeinaneuralnetwork论文地址：https://arxiv.org/pdf/1503.02531.pdf“蒸馏”是

本文参加新星计划人工智能(Pytorch)赛道：https://bbs.csdn.net/topics/613989052这是目录张量计算张量的属性和方法，如何使用它们来获取或修改张量的信息和形状张量之间的运算和广播机制，如何使用torch.add(),torch.sub(),torch.mul(),torch.div()等函数或者运算符来实现张量与numpy数组之间的互相转换和共享内存机制自动求导什么是计算图，如何使用.grad_fn属性来查看张量在计算图中的位置和函数什么是叶子节点和非叶子节点，如何使用.is_leaf属性来判断张量是否为叶子节点什么是梯度累加机制，如何使用.zero_gr

本文参加新星计划人工智能(Pytorch)赛道：https://bbs.csdn.net/topics/613989052这是目录张量计算张量的属性和方法，如何使用它们来获取或修改张量的信息和形状张量之间的运算和广播机制，如何使用torch.add(),torch.sub(),torch.mul(),torch.div()等函数或者运算符来实现张量与numpy数组之间的互相转换和共享内存机制自动求导什么是计算图，如何使用.grad_fn属性来查看张量在计算图中的位置和函数什么是叶子节点和非叶子节点，如何使用.is_leaf属性来判断张量是否为叶子节点什么是梯度累加机制，如何使用.zero_gr

前言看到不少文章讲解用Flask部署YOLOv5的，不过基本都在本地上能够运行而戛然而止。因此，我打算再进一步，利用Docker在云服务器上部署YOLOv5，这样就能够开放给别人使用。代码仓库：https://github.com/zstar1003/yolov5-flask本地部署本地项目主要参考了robmarkcole的这个项目[1]，原始项目是一年前多发布的大概用的是YOLOv5较早的版本，直接download下来会出现一些问题。于是我使用YOLOv5-5.0版本进行了重构。项目结构整体项目结构如下图所示：models：存放模型构建相关程序，直接从yolov5-5.0版本中clone过来

前言看到不少文章讲解用Flask部署YOLOv5的，不过基本都在本地上能够运行而戛然而止。因此，我打算再进一步，利用Docker在云服务器上部署YOLOv5，这样就能够开放给别人使用。代码仓库：https://github.com/zstar1003/yolov5-flask本地部署本地项目主要参考了robmarkcole的这个项目[1]，原始项目是一年前多发布的大概用的是YOLOv5较早的版本，直接download下来会出现一些问题。于是我使用YOLOv5-5.0版本进行了重构。项目结构整体项目结构如下图所示：models：存放模型构建相关程序，直接从yolov5-5.0版本中clone过来

二维离散小波变换一、相关基础1.小波变换基础函数2.小波变换二、原理三、基本小波基：哈尔小波四、代码实现参考：图像信号具有非平稳特性，无法使用一种确定的数学模型来描述，而小波变换的多分辨率分析特性很好地解决了这个问题。小波变化的多分辨率特性使其既可以高效描述图像的平坦区域（低频信息、全局信息），也可以有效处理图像信号的局部突变（高频信息，即图像的边缘轮廓等部分）。小波变换在空域和频域同时具有良好的局部性，使其可以很好地聚焦到图像的任意细节。一、相关基础1.小波变换基础函数二维小波变换的基础函数为：其中φ(x,y)为一个可分离二维尺度函数，φ(x)为一维尺度函数；ψ1(x,y)、ψ2(x,y)、

二维离散小波变换一、相关基础1.小波变换基础函数2.小波变换二、原理三、基本小波基：哈尔小波四、代码实现参考：图像信号具有非平稳特性，无法使用一种确定的数学模型来描述，而小波变换的多分辨率分析特性很好地解决了这个问题。小波变化的多分辨率特性使其既可以高效描述图像的平坦区域（低频信息、全局信息），也可以有效处理图像信号的局部突变（高频信息，即图像的边缘轮廓等部分）。小波变换在空域和频域同时具有良好的局部性，使其可以很好地聚焦到图像的任意细节。一、相关基础1.小波变换基础函数二维小波变换的基础函数为：其中φ(x,y)为一个可分离二维尺度函数，φ(x)为一维尺度函数；ψ1(x,y)、ψ2(x,y)、

官方源码仓库：https://github.com/ultralytics/yolov5文章下载地址：没有视频讲解：https://www.bilibili.com/video/BV1T3411p7zR文章目录0前言1网络结构2数据增强3训练策略4其他4.1损失计算4.2平衡不同尺度的损失4.3消除Grid敏感度4.4匹配正样本(BuildTargets)0前言在前面我们已经介绍过了YOLOv1~v4的网络的结构，今天接着上次的YOLOv4再来聊聊YOLOv5，如果还不了解YOLOv4的可以参考之前的博文。YOLOv5项目的作者是GlennJocher并不是原Darknet项目的作者Josep

官方源码仓库：https://github.com/ultralytics/yolov5文章下载地址：没有视频讲解：https://www.bilibili.com/video/BV1T3411p7zR文章目录0前言1网络结构2数据增强3训练策略4其他4.1损失计算4.2平衡不同尺度的损失4.3消除Grid敏感度4.4匹配正样本(BuildTargets)0前言在前面我们已经介绍过了YOLOv1~v4的网络的结构，今天接着上次的YOLOv4再来聊聊YOLOv5，如果还不了解YOLOv4的可以参考之前的博文。YOLOv5项目的作者是GlennJocher并不是原Darknet项目的作者Josep

宿主机为Ubuntu20.04+gtx1060，Nvidiadriver版本为510.85.02。安装环境为：tensorrt8.4安装完成后，一当调用cuda环境就会报错：Error804:forwardcompatibilitywasattemptedonnonsupportedHW。检查问题原因在Linux宿主机上使用docker（版本>=19.3）之前，请确保安装了nvidia-container-runtime和nvidia-container-toolkit：sudoapt-getinstallnvidia-container-runtimenvidia-container-too