前文讲到yolov7训练自己数据集的过程：链接但是如果数据量不够，训练结果不好，这时候就需要进行数据增强。个人学习记录：yolov7数据集的格式是Yolo格式，也就是txt文件，数据增强针对的是xml文件，所以要进行转化，增强后再转换回来即可。Yolo格式转xml格式importcv2importosxml_head='''VOC2007{}TheVOC2007DatabasePASCALVOC2007flickr{}{}{}0'''xml_obj='''{}Rear00{}{}{}{}'''xml_end=''''''#需要修改为你自己数据集的分类labels=['baggage']#lab
1.Lion优化器介绍论文：https://arxiv.org/abs/2302.06675代码：automl/lionatmaster·google/automl·GitHub 1.1 简单、内存高效、运行速度更快1）与AdamW和各种自适应优化器需要同时保存一阶和二阶矩相比，Lion只需要动量，将额外的内存占用减半；2）由于Lion的简单性，Lion在我们的实验中具有更快的运行时间（step/s），通常比AdamW和Adafactor提速2-15%； 1.2Lion优化器在各种模型、任务和领域上的优越
背景在YOLOv5官方的6.1版本中，我发现Data目录下多了5种数据集，包括无人机航拍数据集VisDrone和遥感数据集xView，这反映了官方也是在小目标检测中在偷偷发力。这篇博文就来记录如何用YOLOv5跑通VisDrone数据集。数据集我已上传到网盘里，有需要的读者可以进行下载：https://pan.baidu.com/s/1UNQlZGHZlAZs412tbnpAxg?pwd=8888数据集结构数据集总共分四个文件：VisDrone2019-DET-train：训练集VisDrone2019-DET-val：验证集VisDrone2019-DET-test-dev：测试集(带标签)
最近因为工作关系接触了yolo-pose，1月份yolov8也出来了，就想着能不能在yolov8上也加上pose分支，也算加深对网络的认识。 yolov8在数据处理上也考虑了keypoints的，所以数据处理部分不用太多的修改，主要修改了Detect类、Loss类。 Detect类：__init__方法中加入nkpt以及cv4分支，用于检测人体关键点 Loss类：__call__方法中加入计算人体关键点的oksloss。 修改完成后在我自己的小数据上能够收敛，训练数据格式如下： 0代表类别 0.710.5340.2280.44代表box的x，y，w，h 0.7070.36
前言时隔一年，YOLOv2隆重登场，新的YOLO版本论文叫《YOLO9000:Better,Faster,Stronger》，作者JosephRedmon和AliFarhadi在YOLOv1的基础上，进行了大量改进，提出了YOLOv2和YOLO9000，重点解决YOLOv1召回率和定位精度方面的不足。论文原文：[1612.08242]YOLO9000:Better,Faster,Stronger(arxiv.org)项目主页：YOLO:Real-TimeObjectDetection(pjreddie.com) 前情回顾：【YOLO系列】YOLOv1论文超详细解读（翻译＋学习笔记）目录前言 A
前言时隔一年，YOLOv2隆重登场，新的YOLO版本论文叫《YOLO9000:Better,Faster,Stronger》，作者JosephRedmon和AliFarhadi在YOLOv1的基础上，进行了大量改进，提出了YOLOv2和YOLO9000，重点解决YOLOv1召回率和定位精度方面的不足。论文原文：[1612.08242]YOLO9000:Better,Faster,Stronger(arxiv.org)项目主页：YOLO:Real-TimeObjectDetection(pjreddie.com) 前情回顾：【YOLO系列】YOLOv1论文超详细解读（翻译＋学习笔记）目录前言 A
原文链接：UAVRecognitionandTrackingMethodBasedonYOLOv5|IEEEConferencePublication|IEEEXplore《基于改进YOLOv5的无人机图像检测算法》论文阅读 基于深度学习的目标检测算法通常对传统目标检测效果较好，但对小目标的检测精度较低。针对该问题，该文通过对无人机采集图像的研究，提出一种改进的YOLOv5小目标检测算法。 首先，针对采样频率高、图像感受野大的问题，增加上采样，进一步扩展特征图。然后，针对浅层特征语义信息不足的问题，采用特征融合方法，增加一个160*160输出检测层。最后，由于上述步骤会增加计算量，
目录一.在pycharm打开克隆后的yolov5-5.0的项目二.配置pycharm的解释器1.依次打开:文件->设置->项目->python解释器2.打开配置好的deeplearn学习环境1.单击添加解释器->单击添加本地解释器2.单击【现有】3.单击【...】4.依次选择自己安装anaconda的位置->envs->deeplearn（deeplearn是配置conda环境时，自己创建的深度学习的环境）->python.exe,点击确定即可！5.依次保存退出即可！三.安装运行yolov5所需的包！1.一般打开这个文件，此时都会出现这个提示，提示你需要安装相应的包，点击【安装要求】，然后耐心
目录一.在pycharm打开克隆后的yolov5-5.0的项目二.配置pycharm的解释器1.依次打开:文件->设置->项目->python解释器2.打开配置好的deeplearn学习环境1.单击添加解释器->单击添加本地解释器2.单击【现有】3.单击【...】4.依次选择自己安装anaconda的位置->envs->deeplearn（deeplearn是配置conda环境时，自己创建的深度学习的环境）->python.exe,点击确定即可！5.依次保存退出即可！三.安装运行yolov5所需的包！1.一般打开这个文件，此时都会出现这个提示，提示你需要安装相应的包，点击【安装要求】，然后耐心
关于这个问题，大都是因为数据集的路径问题，需要主要的是自己的数据集的下的data.yaml文件，这个文件里的两个相对路径改成绝对路径（yolov5-YoloV5问题“异常：找不到数据集”。在本地计算机上-堆栈溢出(stackoverflow.com)） 写的潦草，只为自己有点印象
