想到啥些啥，都是些我遇到的，很坑，但偏偏又有点蠢的问题。 路过进来的朋友可以ctrl+F搜一下有没有自己苦恼的问题。1，训练的模型使用越小（最小是yolov5n），帧数越高，自瞄间隔越短。 我一开始是用yolov5l训练，因为官方说这个综合评价最棒，结果训练出来的pt模型大小80多MB，跑程序帧数还低的一匹（我1650的显卡，垃圾的很）。后来群里有个大佬发了个13MB的，我试了一下，简直像用了海飞丝，乐死我了。一问才知道，训练出来的模型大小，是跟训练时使用官方模型大小有关，越小的越快越爽，虽然精度低了，但足够跑个fps游戏自瞄了。 （群友说10系显卡用n，20系用s
前言YOLOv3（《Yolov3:Anincrementalimprovement》）是JosephRedmon大佬关于YOLO系列的最后一篇，由于他反对将YOLO用于军事和隐私窥探，2020年2月宣布停止更新YOLO。 YOLOv3在YOLOv2的基础上改良了网络的主干，利用多尺度特征图进行检测，改进了多个独立的Logisticregression分类器来取代softmax来预测类别分类。这篇论文（或许称它为学术报告更合适）相当有趣，是我目前读过最欢乐的一篇了。十分建议大家读读原文，感受任性大佬的幽默感。学习资料： 论文原文：YOLOv3.pdf(pjreddie.com)项目源码：mirr
1、YOLOV5的超参数配置文件介绍YOLOv5有大约30个超参数用于各种训练设置。它们在*xml中定义。/data目录下的Yaml文件。更好的初始猜测将产生更好的最终结果，因此在进化之前正确地初始化这些值是很重要的。如果有疑问，只需使用缺省值，这些缺省值是为YOLOv5COCO训练从头优化的。YOLOv5的超参文件见data/hyp.finetune.yaml（适用VOC数据集）或者hyo.scrach.yaml（适用COCO数据集）文件1、yolov5/data/hyps/hyp.scratch-low.yaml(YOLOv5COCO训练从头优化，数据增强低)#Hyperparameter
1、YOLOV5的超参数配置文件介绍YOLOv5有大约30个超参数用于各种训练设置。它们在*xml中定义。/data目录下的Yaml文件。更好的初始猜测将产生更好的最终结果，因此在进化之前正确地初始化这些值是很重要的。如果有疑问，只需使用缺省值，这些缺省值是为YOLOv5COCO训练从头优化的。YOLOv5的超参文件见data/hyp.finetune.yaml（适用VOC数据集）或者hyo.scrach.yaml（适用COCO数据集）文件1、yolov5/data/hyps/hyp.scratch-low.yaml(YOLOv5COCO训练从头优化，数据增强低)#Hyperparameter
Python+Yolov5跌倒检测摔倒检测人物目标行为人体特征识别如需安装运行环境或远程调试，见文章底部个人QQ名片，由专业技术人员远程协助！前言这篇博客针对>编写代码，代码整洁，规则，易读。学习与应用推荐首选。文章目录一、所需工具软件二、使用步骤1.引入库2.识别图像特征3.参数设置4.运行结果三、在线协助一、所需工具软件1.Pycharm,Python2.Qt,OpenCV二、使用步骤1.引入库代码如下（示例）：importcv2importtorchfromnumpyimportrandomfrommodels.experimentalimportattempt_loadfromutil
在此记录yolov5-5.0模型部署的完整步骤，做好笔记，便于后续重复使用和学习，肝了一个多星期才完成如果想使用ONNXRuntime进行部署，请参考文章：详细介绍Yolov5转ONNX模型+使用ONNXRuntime的Python部署详细介绍Yolov5转ONNX模型+使用ONNXRuntime的C++部署也可以直接用QT或者直接C++调用Python，网上资料很多，可以自己找，注意如果要多次调用Pyhon脚本，需要开启全局锁。前置条件确保已经完成了yolov5的环境配置并实现了训练自己的数据集，得到权重文件本文整体结构和流程参考：Yolov5训练自己的数据集+TensorRT加速+Qt部署
在此记录yolov5-5.0模型部署的完整步骤，做好笔记，便于后续重复使用和学习，肝了一个多星期才完成如果想使用ONNXRuntime进行部署，请参考文章：详细介绍Yolov5转ONNX模型+使用ONNXRuntime的Python部署详细介绍Yolov5转ONNX模型+使用ONNXRuntime的C++部署也可以直接用QT或者直接C++调用Python，网上资料很多，可以自己找，注意如果要多次调用Pyhon脚本，需要开启全局锁。前置条件确保已经完成了yolov5的环境配置并实现了训练自己的数据集，得到权重文件本文整体结构和流程参考：Yolov5训练自己的数据集+TensorRT加速+Qt部署
图1.1：YOLOv8初始测试YOLOv8🔥于2023年1月10日由Ultralytics发布。它在计算机视觉方面提供了进展，带来了对我们感知、分析和理解视觉世界的巨大创新。它将为各个领域带来前所未有的可能性。在速度、准确性和架构方面进行了相当大的改进。它是从头开始实现的，没有使用任何来自YOLOv5的主要模块（即模型架构）。它的速度更快，比其先前版本（YOLOv7）更准确，并且在平均精度均值（MAP）方面获得了53.7的新高。图1.2：YOLOv8平均精度均值在本文中，我们将重点介绍训练YOLOv8自定义数据集所需的步骤。您可以按照下面提到的步骤在自己的数据上训练YOLOv8。所有提到的步骤
注：个人愚见，有问题欢迎批评指针。论文：《TPH-YOLOv5:ImprovedYOLOv5BasedonTransformerPredictionHeadforObjectDetectiononDrone-capturedScenarios》ICCV2021OpenAccessRepository代码：GitHub-TfeiSong/tph-yolov5:CBAM-TPH-biFPN-yolov5TPH：TransformerPredictionHead总结比较实用的点：1.tph（transformerpredictionhead）。能够捕获更多的全局信息和上下文信息（使用的self-at
SimCC：一种用于人体姿态估计的简单坐标分类方法ECCV2022论文链接代码链接摘要：近几年，高性能的2D热图法在人体姿态估计（HPE）领域独领风骚。但2D热图法中长期存在的量化误差导致了几个常见的缺点：1）对低分辨率输入的性能有限；2）需要多个高代价上采样层恢复特征图分辨率以提高定位精度；3）需采用额外的后处理来减少量化误差。为解决这些问题，我们旨在探索一种全新的方案SimCC，它将HPE重新定义为水平和垂直方向坐标的两个分类任务。SimCC将每个像素均匀划分为若干个bins，从而实现sub-pixel定位精度和低量化误差，得益于此，SimCC可以省略额外的细化后处理步骤，并在某些设置下摒
