前言花了几天功夫做了一个YOLOv5的PyQT可视化程序，主要针对多幅图片训练、自动标注和检测展示。涉及正在进行的项目，暂时不开源。在开发过程中，踩了不少坑，这里简单做一些记录。项目使用到的开源代码：YOLOv5(5.0+6.0)：https://github.com/ultralytics/yolov5自动标注程序：https://github.com/cnyvfang/labelGo-Yolov5AutoLabelImg效果演示整体效果演示如下：交互式目标检测软件演示遇到的问题和解决方案ui文件转py使用QtDesigner设计的ui文件，可以通过PyUIC自动生成对应的py文件。生成的文

深度学习入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。目录一、SPP的应用的背景二、SPP结构分析三、SPPF结构分析四、YOLOv5中SPP/SPPF结构源码解析（内含注释分析）一、SPP的应用的背景在卷积神经网络中我们经常看到固定输入的设计，但是如果我们输入的不能是固定尺寸的该怎么办呢？通常来说，我们有以下几种方法：（1）对输入进行resize操作，让他们统统变成你设计的层的输入规格那样。但是这样过于暴力直接，可能会丢失很多信息或者多出很多不该有的信息（图片变形等），影响最终的结果。（2）替换网络中的全连接层，对最后的卷积层使用gl

深度学习入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。目录一、SPP的应用的背景二、SPP结构分析三、SPPF结构分析四、YOLOv5中SPP/SPPF结构源码解析（内含注释分析）一、SPP的应用的背景在卷积神经网络中我们经常看到固定输入的设计，但是如果我们输入的不能是固定尺寸的该怎么办呢？通常来说，我们有以下几种方法：（1）对输入进行resize操作，让他们统统变成你设计的层的输入规格那样。但是这样过于暴力直接，可能会丢失很多信息或者多出很多不该有的信息（图片变形等），影响最终的结果。（2）替换网络中的全连接层，对最后的卷积层使用gl

YOLOV5-断点训练/继续训练情况：1.训练过程中中断了，继续训练2.训练完了，但是未收敛，在这个基础上，还想用这个权重、学习率等参数继续训练多一些批次1.训练过程中中断了，继续训练断电、或者什么原因中断了，比如设定epoch为200，但是在90这里中断了，想从断点这里继续训练到200个epoch直接在trainds.py设置参数–resume的defualt=True即可（在代码517行附近）1.parser.add_argument('--resume',nargs='?',const=True,default=True,help='resumemostrecenttraining')2

YOLOV5-断点训练/继续训练情况：1.训练过程中中断了，继续训练2.训练完了，但是未收敛，在这个基础上，还想用这个权重、学习率等参数继续训练多一些批次1.训练过程中中断了，继续训练断电、或者什么原因中断了，比如设定epoch为200，但是在90这里中断了，想从断点这里继续训练到200个epoch直接在trainds.py设置参数–resume的defualt=True即可（在代码517行附近）1.parser.add_argument('--resume',nargs='?',const=True,default=True,help='resumemostrecenttraining')2

上一篇请移步【动手学深度学习PyTorch版】22续ResNet为什么能训练出1000层的模型_水w的博客-CSDN博客目录一、深度学习硬件CPU和GPU1.1深度学习硬件◼计算机构成◼程序执行的原理◼内存◼存储器◼中央处理器（CPU）1.2如何提升cpu的利用率？（如何使运算在cpu上进行的更快，特别是数值运算：矩阵乘法、线性运算等）◼提升空间和时间的内存本地性◼尽量使用多核并行计算1.3GPU◼GPU◼cpu和gpu的对比◼如何提升GPU的利用率？◼CPU/GPU带宽◼如何在CPU上进行高性能计算编程？1.4总结一、深度学习硬件CPU和GPU1.1深度学习硬件◼计算机构成（1）CPU（处理

上一篇请移步【动手学深度学习PyTorch版】22续ResNet为什么能训练出1000层的模型_水w的博客-CSDN博客目录一、深度学习硬件CPU和GPU1.1深度学习硬件◼计算机构成◼程序执行的原理◼内存◼存储器◼中央处理器（CPU）1.2如何提升cpu的利用率？（如何使运算在cpu上进行的更快，特别是数值运算：矩阵乘法、线性运算等）◼提升空间和时间的内存本地性◼尽量使用多核并行计算1.3GPU◼GPU◼cpu和gpu的对比◼如何提升GPU的利用率？◼CPU/GPU带宽◼如何在CPU上进行高性能计算编程？1.4总结一、深度学习硬件CPU和GPU1.1深度学习硬件◼计算机构成（1）CPU（处理

文章目录前言修改yaml文件（以yolov5s为例）修改common.py修改yolo.py修改train.py1.向优化器中添加BiFPN的权重参数2.查看BiFPN_Concat层参数更新情况前言这篇博客【魔改YOLOv5-6.x（中）】：加入ACON激活函数、CBAM和CA注意力机制、加权双向特征金字塔BiFPN简要介绍了BiFPN的原理，以及YOLOv5作者如何结合BiFPN。之前尝试过设置可学习的权重参数，将不同的分支进行Add操作，具体可以参考这篇博客：【YOLOv5-6.x】设置可学习权重结合BiFPN（Add操作）。本文将尝试直接进行Concat操作来结合BiFPN。 修改ya

文章目录前言修改yaml文件（以yolov5s为例）修改common.py修改yolo.py修改train.py1.向优化器中添加BiFPN的权重参数2.查看BiFPN_Concat层参数更新情况前言这篇博客【魔改YOLOv5-6.x（中）】：加入ACON激活函数、CBAM和CA注意力机制、加权双向特征金字塔BiFPN简要介绍了BiFPN的原理，以及YOLOv5作者如何结合BiFPN。之前尝试过设置可学习的权重参数，将不同的分支进行Add操作，具体可以参考这篇博客：【YOLOv5-6.x】设置可学习权重结合BiFPN（Add操作）。本文将尝试直接进行Concat操作来结合BiFPN。 修改ya

问题话不多说，本文主要就是探讨如何根据显卡和显卡驱动版本去选择相应的CUDA和Pytorch。显卡显卡驱动版本打开cmd命令提示符，输入nvidia-smi然后按回车键：需要关注两个地方：显卡驱动版本：516.59显卡支持最高的CUDA版本：11.7显卡计算力查询显卡计算力CUDA查询CUDA与显卡驱动版本对应关系CUDA与显卡驱动版本对应关系：CUDA与显卡计算力关系：选择CUDA前，先要搞清楚显卡的驱动版本和显卡的计算力，显卡计算力和显卡驱动版本共同决定CUDA版本。一般，显卡计算力在7.5以上的，就可以选择10.0以上的CUDA，然后再根据显卡的驱动版本选择具体的CUDA版本。Pytor