anchors运行trains.py没有生成anchor原因程序kmeans改动（距离、k-means++）运行trains.py没有生成anchor原因yolov5运行后有一行autoanchor:一些教程的生成图如下训练一开始会先计算BestPossibleRecall(BPR)，当BPR时，再在kmean_anchors函数中进行k均值和遗传算法更新anchors。但是我的数据集BPR=0.9997，所以没有生成新的anchors。默认的预设anchors很匹配我的训练数据，anchors就不会在更改，就使用预设的。改了聚类的欧氏距离为iou，和去掉遗传算法，都没有预设的效果好。yolo

任务描述相机的抖动、快速运动的物体都会导致拍摄出模糊的图像，景深变化也会使图像进一步模糊。对于传统方法来说，要想估计出每个像素点对应的“blurkernel”几乎是不可行的。因此，传统方法常常需要对模糊源作出假设，将“blurkernel”参数化。显然，这类方法不足以解决实际中各种复杂因素引起的图像模糊。卷积神经网络能够从图像中提取出复杂的特征，从而使得模型能够适应各种场景。本教程以CVPR2017的《DeepMulti-scaleConvolutionalNeuralNetworkforDynamicSceneDeblurring》为例，来完成图像去模糊的任务。数据集https://down

任务描述相机的抖动、快速运动的物体都会导致拍摄出模糊的图像，景深变化也会使图像进一步模糊。对于传统方法来说，要想估计出每个像素点对应的“blurkernel”几乎是不可行的。因此，传统方法常常需要对模糊源作出假设，将“blurkernel”参数化。显然，这类方法不足以解决实际中各种复杂因素引起的图像模糊。卷积神经网络能够从图像中提取出复杂的特征，从而使得模型能够适应各种场景。本教程以CVPR2017的《DeepMulti-scaleConvolutionalNeuralNetworkforDynamicSceneDeblurring》为例，来完成图像去模糊的任务。数据集https://down

本文实现了俩种环境的设置，一种是windows的CPU版本，还有服务器上的GPU版本。CPU版本仅用来实现检测，而GPU版本用来训练自己的数据集！（选择其中一个环境运行后，训练自己的数据集）1.环境1：windows11,anaconda虚拟环境（python3.9），pycharmultralytics/ultralytics:YOLOv8🚀inPyTorch>ONNX>CoreML>TFLite(github.com)下载文件到本地后解压缩pipinstall-rrequirements.txt根据自己的路径位置，下载所需要的包(或者pipinstallultralytics都一样)配置环

本文实现了俩种环境的设置，一种是windows的CPU版本，还有服务器上的GPU版本。CPU版本仅用来实现检测，而GPU版本用来训练自己的数据集！（选择其中一个环境运行后，训练自己的数据集）1.环境1：windows11,anaconda虚拟环境（python3.9），pycharmultralytics/ultralytics:YOLOv8🚀inPyTorch>ONNX>CoreML>TFLite(github.com)下载文件到本地后解压缩pipinstall-rrequirements.txt根据自己的路径位置，下载所需要的包(或者pipinstallultralytics都一样)配置环

Maskrcnn代码实现_pytorch版由于科研需求，要做一个图像分割的项目，于是开始着手跑一下maskrcnn。本以为很简单的事情，网上代码比较多，结果尝试了一下，遇到了各种问题。主要是由于网上的代码大多是基于tensorflow1.x的，我的显卡是RTX3080，而30系列显卡的CUDA版本要求是11.x，不能在tensorflow1.x上运行。尝试用tensorflow2.x代替tensorflow1.x，改一下bug，结果不一样的地方实在太多，还不好改，于是脱坑，找到了pytorch版本的maskrcnn代码，30系列显卡也可以愉快的图像分割了。1.本文所用的代码是mmtetecti

Maskrcnn代码实现_pytorch版由于科研需求，要做一个图像分割的项目，于是开始着手跑一下maskrcnn。本以为很简单的事情，网上代码比较多，结果尝试了一下，遇到了各种问题。主要是由于网上的代码大多是基于tensorflow1.x的，我的显卡是RTX3080，而30系列显卡的CUDA版本要求是11.x，不能在tensorflow1.x上运行。尝试用tensorflow2.x代替tensorflow1.x，改一下bug，结果不一样的地方实在太多，还不好改，于是脱坑，找到了pytorch版本的maskrcnn代码，30系列显卡也可以愉快的图像分割了。1.本文所用的代码是mmtetecti

模型评价指标检测精度检测速度本文训练了50轮安全帽检测数据集，分析训练结果如下：检测精度检测速度Precision;Recall;F1_score前传耗时IOU交并比FPS每秒帧数P-R曲线flops浮点运算数量AP;mAP检测精度混淆矩阵confusion_matrix用来查看机器是不是把几个不同的类混淆了，比如把一个类当成另一个类。矩阵的x轴横坐标代表真实类别，y轴纵坐标代表预测类别。矩阵中的每个值Aij表示第j类被预测为第i类的概率。理想情况：除background外其余形成对角矩阵。P&R&P-R&F1_curve准确率Precision：（检测的准不准确）检测的效果好不好，检测到的区

模型评价指标检测精度检测速度本文训练了50轮安全帽检测数据集，分析训练结果如下：检测精度检测速度Precision;Recall;F1_score前传耗时IOU交并比FPS每秒帧数P-R曲线flops浮点运算数量AP;mAP检测精度混淆矩阵confusion_matrix用来查看机器是不是把几个不同的类混淆了，比如把一个类当成另一个类。矩阵的x轴横坐标代表真实类别，y轴纵坐标代表预测类别。矩阵中的每个值Aij表示第j类被预测为第i类的概率。理想情况：除background外其余形成对角矩阵。P&R&P-R&F1_curve准确率Precision：（检测的准不准确）检测的效果好不好，检测到的区

Backbone概览及参数#Parametersnc:80#numberofclassesdepth_multiple:0.33#modeldepthmultiplewidth_multiple:0.50#layerchannelmultiple#YOLOv5v6.0backbonebackbone:#[from,number,module,args][[-1,1,Conv,[64,6,2,2]],#0-P1/2[-1,1,Conv,[128,3,2]],#1-P2/4[-1,3,C3,[128]],[-1,1,Conv,[256,3,2]],#3-P3/8[-1,6,C3,[256]],[-