文章目录零、目标检测性能指标一、confusion_matrix二、P&R&PR&F1_curve1.P_curve2.R_curve3.PR_curve4.F1_curve三、labels&labels_correlogram四、result.png&result.txt1.lossfunctions2.result.csv五、train_batchx六、val_batchx_labels&val_batchx_predvoc2007数据集下的结果评价：权重文件为：yolov5m。我只训练了10轮零、目标检测性能指标检测精度检测速度Precision，Recall，F1score前传耗时Io

        经过前六章的阅读，我从三个世界、数据法则、信息纽带、知识升华、自然智能以及人工智能六个方面对于信息科学技术与创新有了深层次的认识与了解。从对于三个世界的描述中，我了解到了物理、生物和数字世界的区别和联系。同时也明白了物质、能量与数据构成了人类所赖以生存和发展的客观和主观世界。通过这样的三个世界基本底层架构的认知，展开了之后的讨论，之后详细地了解到数据的作用，例如数据在生命的产生与演化中起着至关重要的作用，在生命体内DNA中的数据就记录了遗传的基本信息，大脑中的储存数据量与神经元细胞和它们的数量存在着正相关的关系。数据之间的快速传导使各网络之间可以不考虑地理上的联系而重新组合在一

        经过前六章的阅读，我从三个世界、数据法则、信息纽带、知识升华、自然智能以及人工智能六个方面对于信息科学技术与创新有了深层次的认识与了解。从对于三个世界的描述中，我了解到了物理、生物和数字世界的区别和联系。同时也明白了物质、能量与数据构成了人类所赖以生存和发展的客观和主观世界。通过这样的三个世界基本底层架构的认知，展开了之后的讨论，之后详细地了解到数据的作用，例如数据在生命的产生与演化中起着至关重要的作用，在生命体内DNA中的数据就记录了遗传的基本信息，大脑中的储存数据量与神经元细胞和它们的数量存在着正相关的关系。数据之间的快速传导使各网络之间可以不考虑地理上的联系而重新组合在一

绿色为ASFF_Head，浅蓝色Decoupled_Head，深蓝色是第三步加的_initialize_dh_biases方法后的效果。参数量与计算量对比模型参数量parameters计算量GFLOPsyolov5s_Head723538916.5ASFF_Head1267484725.0Decoupled_Head892869722.0结构图本篇介绍的这个Decouple_Head和YOLOX的头结构几乎相同，但这次的添加方式和我蓝皮书介绍的那篇是不同的，而且这个头优化的比较好，所以参数量和计算量都下降了，效果有可能和YOLOX的头有差距，。

绿色为ASFF_Head，浅蓝色Decoupled_Head，深蓝色是第三步加的_initialize_dh_biases方法后的效果。参数量与计算量对比模型参数量parameters计算量GFLOPsyolov5s_Head723538916.5ASFF_Head1267484725.0Decoupled_Head892869722.0结构图本篇介绍的这个Decouple_Head和YOLOX的头结构几乎相同，但这次的添加方式和我蓝皮书介绍的那篇是不同的，而且这个头优化的比较好，所以参数量和计算量都下降了，效果有可能和YOLOX的头有差距，。

YOLO系列—YOLOV7算法（三）：YOLOV7算法train.py代码解析先介绍下每个参数的含义（直接在代码上写吧）parser=argparse.ArgumentParser()parser.add_argument('--weights',type=str,default='',help='initialweightspath')#初始化权重文件，如果有预训练模型，可以直接在此加载parser.add_argument('--cfg',type=str,default=r'E:\work\People_Detect\yolov7-main\cfg\training\yolov7x.ya

YOLO系列—YOLOV7算法（三）：YOLOV7算法train.py代码解析先介绍下每个参数的含义（直接在代码上写吧）parser=argparse.ArgumentParser()parser.add_argument('--weights',type=str,default='',help='initialweightspath')#初始化权重文件，如果有预训练模型，可以直接在此加载parser.add_argument('--cfg',type=str,default=r'E:\work\People_Detect\yolov7-main\cfg\training\yolov7x.ya

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

这篇博文只适合想快速发期刊且基础不是太好的同学看看找找灵感🌟，如果想发的是Sci或者顶会看我这篇博文意义不大,以下也仅仅代表我个人看法👍。大家好，我是迪菲赫尔曼😁，我最近将本人硕士阶段所有学习的计算机视觉基础知识进行了一个系统性的整理，编写了《目标检测蓝皮书🍀》，共计101010篇内容，涵盖从基础知识到论文改进的整个时间线，包含第111篇机器学习基础、第222篇深度学习基础、第333篇卷积神经网络、第444篇经典热门网络结构、第555篇目标检测基础、第666篇网络搭建及训练、第777篇模型优化方法及思路、第888篇模型超参数调整策略、第999篇模型改进技巧、第101010篇模型部署基础等，详细