08 2023 档案
摘要：[TOC] > YOLOX是在YOLOV3基础上做的改进，数据处理部分同Yolov5的Mosaic数据增强（利用了四张图片进行拼接实现数据中增强）；backbone部分使用了Yolov5的Focus网络结构，并且把SPP结构用到了backbone部分（Yolov5用到FPN结构）； Head部分，以
阅读全文
摘要：[TOC] > YOLOV7主要的贡献在于： 1.将模型重参数化引入到网络架构中，重参数化这一思想最早出现于REPVGG中。 2.标签分配策略采用的是YOLOV5的跨网格搜索，以及YOLOX的匹配策略。 3.提出的一个新的E-ELAN高效网络架构，以高效为主。 4.提出了辅助头的一个训练方法RepC
阅读全文
摘要：[TOC] > 本文使用NEU-DET数据集和yolov5算法对钢材表面的六种常见缺陷进行检测。 ### 1.处理数据 #### (1)读入数据和标签 展开代码 ``` python class LoadImagesAndLabels(Dataset): # for training/testing
阅读全文
摘要：[TOC] > 使用onnx工具能可视化的展示神经网络的结构，便于理解和学习。 ### 1.pip install onnx ### 2.根据以下脚本把.pt文件转换成.onnx文件 ``` python """Exports a YOLOv5 *.pt model to ONNX and Torc
阅读全文
摘要：### json2yolo脚本 - yolo所对应的格式是.txt,其中包含框的类别索引，中心点坐标，boundingboxs的宽，高。 ``` python import json import os #由x1,y1,x2,y2 >Cx,Cy,W,H 相对位置（取值范围0-1） name2id =
阅读全文
摘要：### xml2yolo脚本 - yolo所对应的格式是.txt,其中包含框的类别索引，中心点坐标，boundingboxs的宽，高。 ``` python import xml.etree.ElementTree as ET import pickle import os from os impo
阅读全文
摘要：[TOC] > 本文在YOLO-V3的基础上实现了把官方的coco数据集换成自己（的人、口罩二分类）的目标检测任务。训练自己的数据，并完成预测。 ### 1.用labelme为数据打标签 - 需提前pip install labelme;pyqt5; pillow。然后在Anaconda promp
阅读全文
摘要：[TOC] > Yolov3取消池化和全连接层，全部由53个卷积层组成，又名Darknet53，采用多scale，每个scale包含三种候选框，对不同的特征图进行融合后再预测（感受野大的上采样后与感受野相对较小的融合）。利用coco数据集对模型进行训练，最后返回物体所在位置以及物体的类别（回归和分类
阅读全文
