在我的本科毕业论文中，我使用了Yolov5，并尝试对其更改。可以对Yolov5进行一定程度的定制化修改，例如更轻量级的Yolov5-MobileNetv3或者比Yolov5s更好的（存疑，没有跑过大数据集，可自己实验）Yolov5-EfficientNet。首先在修改之前，先看Yolov5的网络结构。整体看起来很复杂，但是不用慌张，本篇文章的主要修改处Backbone（特征提取网络）可以抽象为只有三部分，也就是只需要修改这一处地方即可。然后了解我们需要修改的代码。需要修改代码主要集中在yolov5的model文件夹下。yaml主要是修改代码后相对应的配置文件。common.py中添加新的模块，
在我的本科毕业论文中，我使用了Yolov5，并尝试对其更改。可以对Yolov5进行一定程度的定制化修改，例如更轻量级的Yolov5-MobileNetv3或者比Yolov5s更好的（存疑，没有跑过大数据集，可自己实验）Yolov5-EfficientNet。首先在修改之前，先看Yolov5的网络结构。整体看起来很复杂，但是不用慌张，本篇文章的主要修改处Backbone（特征提取网络）可以抽象为只有三部分，也就是只需要修改这一处地方即可。然后了解我们需要修改的代码。需要修改代码主要集中在yolov5的model文件夹下。yaml主要是修改代码后相对应的配置文件。common.py中添加新的模块，
🔥🔥🔥YOLOAir开源算法库！！！💡统一使用YOLOv5、YOLOv7代码框架，结合不同模块来构建不同的YOLO目标检测模型。🌟本项目包含大量的改进方式,降低改进难度,改进点包含【Backbone特征主干】、【Neck特征融合】、【Head检测头】、【注意力机制】、【IoU损失函数】、【NMS】、【Loss计算方式】、【自注意力机制】、【数据增强部分】、【标签分配策略】、【激活函数】等各个部分。YOLOAir开源作者：CSDN芒果汁没有芒果🚀🚀🚀重磅｜独家｜YOLO系列改进大全（芒果书📚系列）仅在CSDN博客:芒果汁没有芒果更新🔥《芒果书》系列改进专栏内的改进文章，均包含多种模型改进方式，均
🔥🔥🔥YOLOAir开源算法库！！！💡统一使用YOLOv5、YOLOv7代码框架，结合不同模块来构建不同的YOLO目标检测模型。🌟本项目包含大量的改进方式,降低改进难度,改进点包含【Backbone特征主干】、【Neck特征融合】、【Head检测头】、【注意力机制】、【IoU损失函数】、【NMS】、【Loss计算方式】、【自注意力机制】、【数据增强部分】、【标签分配策略】、【激活函数】等各个部分。YOLOAir开源作者：CSDN芒果汁没有芒果🚀🚀🚀重磅｜独家｜YOLO系列改进大全（芒果书📚系列）仅在CSDN博客:芒果汁没有芒果更新🔥《芒果书》系列改进专栏内的改进文章，均包含多种模型改进方式，均
PythonFlaskBlueprint蓝图本篇来了解一下Flask中Blueprint蓝图，什么蓝图。。就是一个分模块的扩展而已，用来让不同的业务模块api分到不同的python文件中而已，和Springmvc的class级别的@RequestMapping("/")差不多。。前因：为什么要引入Blueprint蓝图呢？因为如果默认把API接口都写到一个py文件里面那么这个文件会越来越复杂，会越来越臃肿导致无法维护，所以按照正常的开发逻辑也需要进行模块的划分，那么就需要引入Blueprint1.安装Blueprint需要先在环境中使用pip安装一下Blueprint扩展pipinstallB
PythonFlaskBlueprint蓝图本篇来了解一下Flask中Blueprint蓝图，什么蓝图。。就是一个分模块的扩展而已，用来让不同的业务模块api分到不同的python文件中而已，和Springmvc的class级别的@RequestMapping("/")差不多。。前因：为什么要引入Blueprint蓝图呢？因为如果默认把API接口都写到一个py文件里面那么这个文件会越来越复杂，会越来越臃肿导致无法维护，所以按照正常的开发逻辑也需要进行模块的划分，那么就需要引入Blueprint1.安装Blueprint需要先在环境中使用pip安装一下Blueprint扩展pipinstallB
论文地址：https://export.arxiv.org/pdf/2303.03667v1.pdf为了设计快速神经网络，许多工作都集中在减少浮点运算（FLOPs）的数量上。然而，作者观察到FLOPs的这种减少不一定会带来延迟的类似程度的减少。这主要源于每秒低浮点运算（FLOPS）效率低下。并且，如此低的FLOPS主要是由于运算符的频繁内存访问，尤其是深度卷积。因此，本文提出了一种新的partialconvolution（PConv），通过同时减少冗余计算和内存访问可以更有效地提取空间特征。基于PConv进一步提出FasterNet，在广泛的设备上实现了比其他网络高得多的运行速度，而不影响各种
论文地址：https://export.arxiv.org/pdf/2303.03667v1.pdf为了设计快速神经网络，许多工作都集中在减少浮点运算（FLOPs）的数量上。然而，作者观察到FLOPs的这种减少不一定会带来延迟的类似程度的减少。这主要源于每秒低浮点运算（FLOPS）效率低下。并且，如此低的FLOPS主要是由于运算符的频繁内存访问，尤其是深度卷积。因此，本文提出了一种新的partialconvolution（PConv），通过同时减少冗余计算和内存访问可以更有效地提取空间特征。基于PConv进一步提出FasterNet，在广泛的设备上实现了比其他网络高得多的运行速度，而不影响各种
Backbone概览及参数#Parametersnc:80#numberofclassesdepth_multiple:0.33#modeldepthmultiplewidth_multiple:0.50#layerchannelmultiple#YOLOv5v6.0backbonebackbone:#[from,number,module,args][[-1,1,Conv,[64,6,2,2]],#0-P1/2[-1,1,Conv,[128,3,2]],#1-P2/4[-1,3,C3,[128]],[-1,1,Conv,[256,3,2]],#3-P3/8[-1,6,C3,[256]],[-
Backbone概览及参数#Parametersnc:80#numberofclassesdepth_multiple:0.33#modeldepthmultiplewidth_multiple:0.50#layerchannelmultiple#YOLOv5v6.0backbonebackbone:#[from,number,module,args][[-1,1,Conv,[64,6,2,2]],#0-P1/2[-1,1,Conv,[128,3,2]],#1-P2/4[-1,3,C3,[128]],[-1,1,Conv,[256,3,2]],#3-P3/8[-1,6,C3,[256]],[-
