目录1.如何自定义数据集：咱们以花朵数据集为例：任务1：读取txt文件中的路径和标签任务2：通过上面字典返回数据，分别把数据和标签都存在list里任务3：图像数据路径得完整任务4：把上面那几个事得写在一起,整合到一个类。任务5：数据预处理(transform)¶任务6：根据写好的classFlowerDataset(Dataset):来实例化咱们的dataloader任务7：用之前先试试，整个数据和标签对应下，看看对不对任务8：把做到的数据往模型里传2.构建损失函数和优化器    训练函数1.如何自定义数据集：1.数据和标签的目录结构先搞定(得知道到哪读数据)2.写好读取数据路径和标签路径的函

原因：自己的数据集文件夹和dataset中的数据集名称不同。代码中要求的文件名是Images和Labels，可能自己命名的是image和label参考：https://code84.com/38177.html

超越CIOU/SIOU| Wise-IoU助力YOLO强势涨点！！！论文题目：Wise-IoU:BoundingBoxRegressionLosswithDynamicFocusingMechanism论文链接：https://arxiv.org/abs/2301.10051​近年来的研究大多假设训练数据中的示例有较高的质量，致力于强化边界框损失的拟合能力。但注意到目标检测训练集中含有低质量示例，如果一味地强化边界框对低质量示例的回归，显然会危害模型检测性能的提升。Focal-EIoUv1被提出以解决这个问题，但由于其聚焦机制是静态的，并未充分挖掘非单调聚焦机制的潜能。基于这个观点，作者提出了

本文采用Python及PyTorch版本如下：Python：3.9.0PyTorch：2.0.1+cpu本文为博主自用知识点提纲，无过于具体介绍，详细内容请参考其他文章。线性代数&微积分1.线性代数1.1基础1.1.1标量1.1.2向量长度（维度）、形状1.1.3矩阵1.1.3.1迹1.1.3.2转置矩阵1.1.3.3特征值1.1.3.4奇异值1.1.3.5逆矩阵1.1.3.6Moore-Penrose伪逆1.1.4张量1.2向量空间1.3运算1.3.1加&减1.3.2内积&点积1.3.2.1内积1.3.2.1点积1.3.3外积&克罗内克积1.3.4哈达玛积1.3.5矩阵乘积1.3.6向量-向

创新点1、提出了E-ELAN，但是只在yolov7-e6e中使用到。2、yolov7基于拼接模型的缩放方法，在yolov7x中使用到。3、将重参数化卷积应用到残差模块中或者用到基于拼接的模块中去。RepConvN4、提出了两种新的标签分配方法一、ELAN和E-ELAN1、ELANyolov7使用大量的ELAN作为基础模块。这么多堆叠其实对应了更密集的残差结构，残差网络的特点是容易优化，并且能够通过增加相当的深度来提高准确率。内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。[-1,1,Conv,[64,1,1]],[-2,1,Conv,[64,1,1]],[-1,1

【Linux】Ubuntu20.04版本配置pytorch环境2023.09.05【教程】文章目录【Linux】Ubuntu20.04版本配置pytorch环境2023.09.05【教程】一、安装Anaconda虚拟环境管理器二、创建虚拟环境并激活三、anaconda取消默认激活虚拟环境四、安装Pytorch四、测试pytorchReference一、安装Anaconda虚拟环境管理器首先进入Anaconda官网下载linux版本的安装文件Anaconda3-2023.07-2-Linux-x86_64.sh，进入安装文件路径，运行下面的脚本进行安装bashAnaconda3-2023.07-

Randomseed（随机种子）是在生成随机数时使用的起始点。它用于控制随机数生成器产生随机数的序列。设置了随机种子后，每次生成的随机数序列将是确定性的，这意味着可以在不同的运行中获得相同的随机数序列，从而使实验可复现。在机器学习中，确保实验的可复现性是至关重要的，因为它允许其他人重现你的结果并验证你的研究成果。如果不设置随机种子，每次运行程序时生成的随机数都会发生改变，这将导致结果的不可复现性。在Python中，随机种子是通过random.seed()函数设置的，而在PyTorch中，可以通过设置torch.manual_seed()来实现，在TensorFlow中，使用tf.random.

1.TaskAlignedAssigner简介        TaskAlignedAssigner的匹配策略简单总结为：根据分类与回归的分数加权的分数选择正样本。        （1）计算真实框和预测框的匹配程度。align_metric=sα∗uβalign\_metric=s^\alpha*u^\betaalign_metric=sα∗uβ        其中，s{s}s是预测类别分值，u{u}u是预测框和真实框的ciou值，α\alphaα和β\betaβ为权重超参数，两者相乘就可以衡量匹配程度，当分类的分值越高且ciou越高时，align_metric{align\_metric}a

一.torch.squeeze()函数解析1.官网链接torch.squeeze()，如下图所示：2.torch.squeeze()函数解析torch.squeeze(input,dim=None,out=None)squeeze()函数的功能是维度压缩。返回一个tensor（张量），其中input中维度大小为1的所有维都已删除。举个例子：如果input的形状为(A×1×B×C×1×D)，那么返回的tensor的形状则为(A×B×C×D)当给定dim时，那么只在给定的维度（dimension）上进行压缩操作，注意给定的维度大小必须是1，否则不能进行压缩。举个例子：如果input的形状为(A×1

1.环境准备Windows10Anaconda（基于Python3.9），已配置好环境变量yolov5相关的代码、权重文件等，已经打包整理好，可以通过百度网盘绿色下载。链接:https://pan.baidu.com/s/1okVkfpqjI5wD6PigK-AH0w?pwd=yscw提取码:yscw2.在Anaconda中创建虚拟环境Anconda除了提供丰富的科学包外，还可以通过创建虚拟化境的方式用于进行环境隔离。虚拟环境的隔离有效避免了不同的Python项目需要依赖模块的版本不同导致的各种冲突。这里提供一种图形化操作方式。（1）打开AnacondaNavigator（2）依次点击一下两个