为保证您获得更好的学习体验，请使用电脑阅读学习，本专栏对手机用户并不友好！本文将以detec.py文件为主，带你从头开始逐一追踪代码，了解detect运行流程。目录detect.py:common.py（models）：   DetectMultiBackend:      （line279）datasets.py（utils）：      LoadImages:                    （line178）augmentations.py（utils）：      letterbox：                                 （line91）plots.p

前言本篇主要利用PyQT5搭建YOLOv5可视化界面，并打包成exe程序。整体框架参考自：https://xugaoxiang.com/2021/06/30/yolov5-pyqt5在此基础上，优化了预测逻辑，适配YOLOv5-5.0版本，并使用qdarkstyle美化了界面，支持图片检测、摄像头检测、视频检测，整体效果如下图所示：开源仓库：https://github.com/zstar1003/yolov5_pyqt5可直接运行的exe程序：https://pan.baidu.com/s/16nHvS5tRSeLKB0Ql2-6ZFw?pwd=8888整体框架项目整体框架如下图所示：·mo

前言本篇主要利用PyQT5搭建YOLOv5可视化界面，并打包成exe程序。整体框架参考自：https://xugaoxiang.com/2021/06/30/yolov5-pyqt5在此基础上，优化了预测逻辑，适配YOLOv5-5.0版本，并使用qdarkstyle美化了界面，支持图片检测、摄像头检测、视频检测，整体效果如下图所示：开源仓库：https://github.com/zstar1003/yolov5_pyqt5可直接运行的exe程序：https://pan.baidu.com/s/16nHvS5tRSeLKB0Ql2-6ZFw?pwd=8888整体框架项目整体框架如下图所示：·mo

YOLOv5的head详解在前两篇文章中我们对YOLO的backbone和neck进行了详尽的解读，如果有小伙伴没看这里贴一下传送门：YOLOv5的Backbone设计YOLOv5的Neck端设计在这篇文章中，我们将针对YOLOv5的head进行解读，head虽然在网络中占比最少，但这却是YOLO最核心的内容，话不多说，进入正题。1YOLOv5s网络结构总览要了解head，就不能将其与前两部分割裂开。head中的主体部分就是三个Detect检测器，即利用基于网格的anchor在不同尺度的特征图上进行目标检测的过程。由下面的网络结构图可以很清楚的看出：当输入为640*640时，三个尺度上的特征图

YOLOv5的head详解在前两篇文章中我们对YOLO的backbone和neck进行了详尽的解读，如果有小伙伴没看这里贴一下传送门：YOLOv5的Backbone设计YOLOv5的Neck端设计在这篇文章中，我们将针对YOLOv5的head进行解读，head虽然在网络中占比最少，但这却是YOLO最核心的内容，话不多说，进入正题。1YOLOv5s网络结构总览要了解head，就不能将其与前两部分割裂开。head中的主体部分就是三个Detect检测器，即利用基于网格的anchor在不同尺度的特征图上进行目标检测的过程。由下面的网络结构图可以很清楚的看出：当输入为640*640时，三个尺度上的特征图

由于已经安装了cpu版本了，如果再在该环境下安装gpu版本会造成环境污染.因此，再安装gpu版本时，需要再新建一个虚拟环境才能安装成功。然后去官网下载所适配的版本。安装完cuda和cudnn后，开始安装pytorch的gpu版本。1.安装cude首先查看windows电脑之前是否成功安装了CUDA第一步：同时按键盘上的“windows键+R”，输入“cmd”并回车，进入windows的命令行界面。第二步：命令行里输入“nvcc-V”并回车第三步：如果已经成功安装CUDA的话，会显示CUDA的版本号的。 已成功安装cuda跳过cuda安装部分在计算机-管理-设备管理器-显示适配器中，查看是否有独

由于已经安装了cpu版本了，如果再在该环境下安装gpu版本会造成环境污染.因此，再安装gpu版本时，需要再新建一个虚拟环境才能安装成功。然后去官网下载所适配的版本。安装完cuda和cudnn后，开始安装pytorch的gpu版本。1.安装cude首先查看windows电脑之前是否成功安装了CUDA第一步：同时按键盘上的“windows键+R”，输入“cmd”并回车，进入windows的命令行界面。第二步：命令行里输入“nvcc-V”并回车第三步：如果已经成功安装CUDA的话，会显示CUDA的版本号的。 已成功安装cuda跳过cuda安装部分在计算机-管理-设备管理器-显示适配器中，查看是否有独

文章目录前言一、Yolov4网络结构1.backbone：CSPDarknet-532.SPP池化3.PAN和Yolohead二、改进点1.Mosaic数据增强2.anchor偏移机制3.正负样本匹配4.Loss前言上一篇文章我们讨论了yolov3，yolov3在速度与精度上达到了一个较好的平衡，堪称经典之作，可惜在yolov3之后的原作者JosephRedmon因为yolo的军事应用和对他人个人隐私风险而退出了yolo系列的研究，从此cv界痛失一员大将.但是经典之作总会源远流长，即使yolo原作者JosephRedmon退出了研究，yolo算法巨大的影响力使得其他的研究者对yolo算法进行进

文章目录前言一、Yolov4网络结构1.backbone：CSPDarknet-532.SPP池化3.PAN和Yolohead二、改进点1.Mosaic数据增强2.anchor偏移机制3.正负样本匹配4.Loss前言上一篇文章我们讨论了yolov3，yolov3在速度与精度上达到了一个较好的平衡，堪称经典之作，可惜在yolov3之后的原作者JosephRedmon因为yolo的军事应用和对他人个人隐私风险而退出了yolo系列的研究，从此cv界痛失一员大将.但是经典之作总会源远流长，即使yolo原作者JosephRedmon退出了研究，yolo算法巨大的影响力使得其他的研究者对yolo算法进行进

文章目录1生成对抗网络基本概念2生成对抗网络建模2.1建立MnistDataset类2.2建立鉴别器2.3测试鉴别器2.4Mnist生成器制作3模型的训练4模型表现的判断前面的博客讲了如何基于PyTorch使用神经网络识别手写数字使用PyTorch构建神经网络下面在此基础上构建一个生成对抗网络，生成对抗网络可以模拟出新的手写数字数据集。1生成对抗网络基本概念生成对抗网络（GAN）是一种用于生成新的照片，文本或音频的模型。它由两部分组成：生成器和判别器。生成器的作用是生成新的样本，而判别器的作用是识别这些样本是真实的还是假的。两个模型相互博弈，通过不断调整自己的参数来提高自己的能力。生成器希望判