0.前言计算机视觉是指通过计算机系统对图像和视频进行处理和分析，利用计算机算法和方法，使计算机能够模拟和理解人类的视觉系统。通过计算机视觉技术，计算机可以从图像和视频中提取有用的信息，实现对环境的感知和理解，从而帮助人们解决各种问题和提高效率。本节中，将介绍计算机中的图像表示，并介绍如何利用神经网络进行图像分析，为计算机视觉的高级任务和应用奠定基础。1.图像表示数字图像文件(通常扩展名为“JPEG”或“PNG”)由像素数组组成，像素是图像的最小构成元素。在灰度图像中，每个像素都是0到255之间的标量值，0表示黑色，255表示白色，介于0到255之间的值都是灰色值(像素值越小，像素越暗)。形式上

前言对于没有GPU训练机的人来讲，使用云服务器训练自己的模型应该最最优选择，只是在训练的时候开个按时计费的服务器，训练完成后保存环境镜像之后，可以完全停掉服务器，期间不产生任何费用，下次再训练时，启动环境就可以，很容易保护好自己的训练环境不受污染。一、选择服务器1.这里选择的是阿里有服务器，直接用支付宝账号登录。2.选择配置，按量计费，我训练yolov5的模型，2万多的数据集，V100完全够用了。3.选择系统和安装GPU启动3.选择网络速度（上行下行的速度），之后确认订单就可以了。二、配置服务器1.连接服务器，直接点远程连接。2.切换到root并安装需要的文件。sucdsudoapt-geti

目录一、前言1、项目介绍2、图片测试效果展示二、项目环境配置1、pytorch安装（gpu版本和cpu版本的安装)2、pycocotools的安装3、其他包的安装三、yolov8/yolov7/yolov5火灾烟雾检测系统1、yolov8火灾烟雾检测算法2、算法界面设计四、火灾、烟雾检测自建数据集1、数据集介绍五、训练曲线等介绍六、资源获取(yolov8/yolov7/yolov5版本均可提供)一、前言本项目通过yolov8/yolov7/yolov5训练自己的数据集，并开发可视化界面，实现了一个火灾烟雾实时检测系统，操作视频和效果展示如下：【yolov8/yolov7/yolov5火灾烟雾检

目录一、查看电脑有NVIDIA显卡没二、更新电脑驱动三、安装CUDAToolKit和CUDNN1、查看显卡驱动版本2、查看合适的CUDA版本3、下载CUDAToolKit4、安装CUDA5、查看是否安装成功6、安装CUDNN7、CUDNN配置四、安装anaconda五、安装pycharm六、搭建pytorch深度学习环境1、进入AnacondaPrompt（鼠标左击win标志，去找）2、下载torchvision和torch离线版本（因为在线装有时候会被中断）3、离线安装七、搭建pycharm环境测试一些必要的介绍（自己的理解，有错请大神指教）：下面开始啦！！！一、查看电脑有NVIDIA显卡没

    💡💡💡本文解决什么问题：多尺度空洞注意力（MSDA）采用多头的设计，在不同的头部使用不同的空洞率执行滑动窗口膨胀注意力（SWDA），全网独家首发，创新力度十足，适合科研 1）与C2f结合；MSDA | GFLOPs从9.6降低至8.5， mAP50从0.921降低至0.909，mAP50-95从0.697提升至0.726Yolov8-Pose关键点检测专栏介绍：https://blog.csdn.net/m0_63774211/category_12398833.html✨✨✨手把手教你从数据标记到生成适合Yolov8-pose的yolo数据集；🚀🚀🚀模型性能提升、pose模式部署能力

（多输入+动态维度）整理的自定义神经网络pt转onnx过程的python代码，记录了pt文件转onnx全过程，简单的修改即可应用。pt文件转onnx步骤1、编写预处理代码2、用onnxruntime导出onnx3、对导出的模型进行检查4、推理onnx模型，查看输出是否一致5、对onnx模型的输出进行处理，显示cv图像6、编辑主函数进行测试1、编写预处理代码预处理代码与torch模型的预处理代码一样defpreprocess(img): img=(cv2.cvtColor(img,cv2.COLOR_BGR2RGB)).transpose(2,0,1) img=np.expand_dims(im

前言：在安装前，如果自己的电脑名称里带中文，请先把自己的电脑重命名，切记不要带中文，否则可能会出错。说明：本人用这套是为了做深度学习，如果我们一样，可以看下去，不一样也有参考价值。本文不包括pycharm的安装教程！Anaconda主要是方便后续导包，装完Anaconda你可以拥有python、JupyterNotebook，不需要额外下载，且很多深度学习的教学都是用JupyterNotebook展示的。Pycharm也是非常流行的python编译器，我习惯用这个。正文：本文分为三部分：Anaconda下载、配置虚拟环境变量和pycharm新建项目。一、Anaconda下载1.首先到Anaco

最近看了一篇文章，里面介绍了自适应的激活函数，它可以使得网路收敛速度更快。文章：《Adaptiveactivationfunctionsaccelerateconvergenceindeep andphysics-informedneuralnetworks》激活函数是深度学习中至关重要的部分，我们在做深度学习的时候通常会利用激活函数增加网络的非线性能力，使其能够拟合更复杂的情况，比较熟悉的有ReLU，Tanh，Sigmoid等等，但是这些激活函数在某些情况下并不是最合适的，甚至会出现梯度消失或者梯度爆炸的情况，于是作者提出了自适应的激活函数，来加速网路收敛并且提高稳定性。简而言之，就是在激活

目录1  一、实验过程1.1  实验目的1.2  实验简介1.3  数据集的介绍1.4  一、LeNet5网络模型1.5  二、AlexNet网络模型1.6  三、ResNet50（残差网络）网络模型 二、实验代码导入实验所需要的库 参数配置数据预处理重新DataSet加载数据转为DataLoader函数可视化一批训练数据 构建模型搭建训练函数搭建测试函数实例化模型开始训练 开始测试参考文献 1  一、实验过程1.1  实验目的通过这个课程项目大，期望达到以下目的：1.了解如何对深度学习的图像数据集进行预处理操作。2.熟络深度学习训练模型的步骤流程、pytorch的使用。3.学习ResNet-

环境声明：​系统环境：Ubuntu18.04Jetsontx2架构：aarch64pytorch版本：1.12.1torchvision版本：0.13.1项目代码yolov5，v6.0yolov5版本：v6.0opencv-python：4.7.0虚拟环境：archiconda3注：archiconda作为aarch64架构的anaconda并不支持虚拟环境内部pip3和python3可执行文件，所以想在TX2直接用pycharm的虚拟环境应该是不行的目录环境声明：创建conda虚拟环境：condapython3.8环境创建创建yolov5文件夹  yolo文件下创建weights权重文件夹