- 博客(19)
- 收藏
- 关注
RSS订阅原创 农田植被目标检测数据标注与模型训练总结3
针对本次标注工作及YOLOv5模型训练中发现的问题，后续将从三个维度推进优化：一是优化标注流程提升效率，引入半自动化标注工具，利用预训练YOLOv5模型生成初步标注框，再由人工进行精准修正，减少重复标注工作量；同时加强标注人员专项培训，提升复杂场景下的标注熟练度。同时，完成标注标签的格式适配转换，将Labelme导出的JSON格式统一转换为YOLOv5所需的TXT格式，并生成数据集配置文件，明确类别数量、类别名称及数据路径等关键参数，相关处理后的数据均同步至共享网盘，便于模型训练环节的快速调用。
2025-12-21 12:51:01
405
原创 农田植被目标检测数据标注与模型训练总结2
针对该问题，在训练参数中对含空格的路径添加英文双引号包裹，确保路径作为一个整体被脚本正确解析，最终解决参数解析异常问题。2.格式适配环节：由于 YOLOv5 模型仅支持 TXT 格式的标签输入（要求包含归一化坐标与类别索引），针对 JSON标签格式不兼容的问题，编写自定义转换脚本，实现 JSON 标签中像素坐标到归一化坐标的自动换算、类别名称到索引的映射，同时完成格式结构的批量转换，确保转换后的 JSON 标签完全符合 YOLOv5 模型的输入规范，无坐标越界、索引错误等问题。
2025-12-04 20:11:00
654
原创 农田植被目标检测数据标注与模型训练总结1
为确保标注质量与模型泛化能力，数据筛选遵循以下原则：优先选择彩色图像进行标注（黑白图像暂不纳入首期标注范围），剔除完全重复或画面模糊、目标不清晰的图像，最终筛选出 100-200 张有效图像作为首期标注数据集，满足模型初期训练的数据需求。标注过程中，需准确框选目标区域，保证标注边界与实际目标轮廓贴合，避免漏标、误标或重复标注，确保标注数据的准确性与有效性，为模型训练提供高质量的监督信号。本项目通过无人机农田图像标注与 YOLOv5 模型训练，实现了农田与植被的自动化分类识别，为精准农业提供了核心技术支撑。
2025-11-29 13:05:57
771
原创 关于共享网盘的创建以及YOLOv5综述
量级分为n（轻量化）、s、m、l、x五类，参数规模与检测精度正相关，速度负相关，轻量化模型（n/s）适配实时检测场景，大容量模型（l/x）适合高精度需求场景；共享网盘作为数字化时代文件存储、协作与分发的核心工具，凭借云端存储、跨端同步、权限可控的核心优势，已深度融入个人办公、团队协作、学术科研、项目管理等多元场景，不仅彻底改变了传统 U 盘拷贝、邮件传输等方式的低效与局限，更有效破解了多场景下文件传输混乱、版本迭代丢失、权限管控薄弱、跨地域协作不便等痛点。二、YOLOv5模型下载全流程。
2025-11-20 20:48:53
407
原创 YOLOv5植物模型开发综述
YOLOv5 作为当前主流的目标检测框架，凭借其高效的检测速度与出色的精度表现，成为植物识别任务的优选方案。本项目将围绕 “仙人掌、松树” 等植物类别展开目标检测模型的开发，整体流程可分为模型准备、数据处理、模型训练、推理验证四大核心环节，通过分工协作与技术拆解，实现从基础框架到定制化植物识别的全流程落地。3.数据集划分：将标注好的数据按 “训练集：验证集 = 8:2” 的比例划分，训练集用于模型参数更新，验证集用于监控训练过程中的过拟合情况（如前文所述验证集需包含各类别关键特征且不与训练集重复）。
2025-11-13 21:33:41
684
原创 关于MMDetection综述
目标检测模型基于卷积神经网络构建，通过“特征提取-候选框生成-类别与位置预测”的流程，实现对多目标的实时识别。获取视频资源后，目标检测技术可实现对视频中行人、车辆、交通灯等物体的识别与定位，是计算机视觉在智能监控、自动驾驶等领域的关键应用。，提取视频流地址后进行下载，避免了手动操作的繁琐，为后续视频分析提供了高效的资源获取途径。四、这种整合不仅体现了工具链的协同价值，更展示了多媒体技术与计算机视觉的融合趋势—— 从单纯的资源获取，到对资源的深度语义理解，技术的迭代正不断拓展着数字内容的应用边界。
2025-11-08 12:48:08
264
原创 MMDetection 与计算机视觉顶会（CVPR/ICCV/ECCV）目标检测技术发展综述
会议收录论文的内容包括：底层视觉与感知，颜色、光照与纹理处理，分割与聚合，运动与跟踪，立体视觉与运动结构重构，基于图像的建模，基于物理的建模，视觉中的统计学习，视频监控，物体、事件和场景的识别，基于视觉的图形学，图片和视频的获取，性能评估，具体应用等。ICCV是计算机视觉领域最高级别的会议，会议的论文集代表了计算机视觉领域最新的发展方向和水平。MMDetection 作为连接顶会学术创新与产业应用的桥梁，通过三大核心能力推动顶会技术的工程化落地：1.算法的标准化集成、工程化工具链完善、社区生态协同。
2025-10-31 21:07:50
630
原创 计算机视觉目标检测主流开源工具与模型综述
不仅支持多样的目标检测算法，还支持自定义数据集和模型训练，为研究者和工程师提供了一个强大的工具，能快速实现目标检测模型的开发、训练和部署。一方面，它模型覆盖全面，集成超百种锚框与无锚框检测/分割模型（如SSD、DETR等），支持CVPR、ICCV、ECCV等顶会成果的直接复现，同时工具链高度工程化，通过`mim`工具可一键完成预训练模型下载与全流程任务（数据预处理、训练、部署等），实现了科研（小样本实验、自定义模块）与工业（模型压缩、边缘部署）的无缝衔接；主要特点包括高性能、易于使用、模块化设计。
2025-10-24 19:45:26
729
原创 基于YOLOv5学习综述
模型集成指将多个机器学习模型组合在一起，以提高预测的准确性和稳定性的技术。GloU解决了loU在处理不相交边界框时的局限性，CloU进一步考虑边界框的中心点距离、宽高比等因素，使边界框回归更精准，让模型在训练过程中能更高效的学习目标位置等信息。YOLOv5 借助进化算法优化超参数（hyp），基于训练时的超参数确定基准超参数并进行突变，通过之前进化结果确定各超参数权重，有 “single”（随机选一个超参数作为基准）和 “weighted”（融合所有超参数得到基准）两种进化方式，进化结果记录在。
2025-10-16 21:15:10
268
原创 YOLOv5学习综述
而在检测速度方面，前传耗时体现模型前向推理的时间成本，每秒帧数FPS（Frames Per Second）表示单位时间内模型可处理的图像数量，浮点运算量（FLOPS）反映模型计算复杂度，这些指标共同用于评估模型在实际应用中的高效性，是处理一张图像所需要的浮点运算数量，跟具体软硬件没有关系，可以公平的比较不同算法之间的检测速度。目标框回归技术 在 YOLOv5 中，锚框给出目标宽高的初始值，目标框回归的核心是求解目标真实宽高与初始宽高的偏移量，同时确定预测框在图像中的位置。二、YOLO算法的基本思想。
2025-09-26 10:42:06
597
原创 第一周学习综述
接着入门目标检测与分割，了解YOLOv5中锚框、迁移学习、loU的概念，通过观察输出的分割图，发现没有识别出“植物”类别。目标检测算法通常会在输入图像中抽样大量的区域，然后判断这些区域中是否包含我们感兴趣的目标，并调整区域边界，从而更准确的预测目标的真实边界框。卷积网络作为人工神经网络的核心类别，通过卷积层使用可学习的滤波器对输入的数据进行特征的提取。池化层通常位于卷积层之后，其主要功能是对特征图进行下采样，从而减小特征图的空间尺寸，减少参数量和计算量，同时保留重要的特征信息。5.过拟合与欠拟合的判断。
2025-09-11 20:25:57
651
原创 李宏毅机器学习综述
假设真实数据和生成数据的两个分布，都是从高斯分布中抽样得到的，计算两个高斯分布之间的Frechet Distance，越小代表分布越接近，图片品质越高。利用这种架构，强迫你的generator输出的Y domain的图片，跟输入的X domain的图片，有一些关系，保证转换的一致性和合理性，避免生成与输入无关的“无意义”图像。未来，结合强化学习、自主监督学习等技术优化训练，拓展多模态、跨领域应用，探索GAN与其他模型的融合，将推动其在更多场景落地，为人工智能生成任务提供更高效、更加创造力的解决方案。
2025-07-03 15:10:45
425
原创 李宏毅机器学习综述
GAN基本训练流程：Step1:固定G，训练D（用真实图像标记为1，生成图像标记为0，训练D去区分真假图，相当于做二分类任务）Step2:固定D，训练G（用D的输出作为“评分”，反向传播优化G，G要尽量输出能让D打高分的图像，技术上是通过gradient ascent/descent来调整G的参数）循环训练G、D不断优化。Pooling本身没有参数，是一个运算符，它的行为都是固定好的，每一个Filter都产生一把数字，要做Pooling时就把这些数字几个组一组，然后Pooling。2.2理解CNN模型。
2025-06-26 15:55:26
1665
原创 本周综述
在深度学习领域，模型的训练与优化是实现高性能人工智能应用的核心环节。本文将围绕基于“我是土堆”现有网络模型的修改、完整训练模型套路以及利用GPU进行训练等方面展开综述。包括数据准备、模型构建、模型训练、模型评估与优化、测试网络、保存模型六个步骤。主要包括添加先行层、替换现有层、冻结或解冻模型参数三种方法。GPU能够训练网络模型、数据、损失函数三种变量。二、现有网络模型的修改。三、完整训练模型的套路。
2025-06-19 04:30:00
169
原创 关于本周PyTorch学习的综述
首先，直观的方法就是环顾四周，找到下山最快的方向走一步，然后再次环顾四周，找到最快的方向，直到下山----这样的方法便是朴素的梯度下降-----当前的海拔是我们的目标函数值，而我们在每一步找到的方向便是函数梯度的反方向（梯度是函数上升最快的方向，所以梯度的反方向就是函数下降最快的方向）。通过对PyTorch深度学习入门教程的学习，了解了神经网络的基本骨架、卷积层、最大池化、非线性激活、线性层、Sequential的使用、损失函数与反向传播、优化器，为深度学习提供了基础。七、线性层及其它层介绍。
2025-06-12 13:02:17
1698
原创 第三周综述
贝叶斯定理：P(c|x)=P(c)P(x|c)/p(x)，其中P(x)是证据因子与类别无关，P(c)先验概率是样本空间中各类样本所占比例，可通过各类样本出现的频率估计，P(x|c)是样本相对于类标记的类条件概率，亦称“似然”。周志华《机器学习》的理论深度，为“我是土堆”教程的PyTorch实践指明方向，经典理论与PyTorch实践教程的融合，打通了机器学习“知”与“”行“的通道，让知识学习从碎片化理论理解，进阶为可落地、可验证的实践能力，推动对机器学习技术的深度掌握与灵活运用。二、周志华《机器学习》
2025-06-05 16:37:19
1553
原创 第二周综述
泛化误差是指在“未来”样本上的误差，经验误差是指在训练集上的误差，也称为“训练误差”，经验误差可控。K折交叉验证法是将数据集等分为k个互斥子集，每次用k-1个子集训练，剩余1个子集测试，重复k词，计算k次评估结果的均值作为最终性能估计。机器学习的理论基础是Leslie Valiant的计算机理论，其中最重要的理论模型是PAC模型。任何一个有效的机器学习算法必有其偏好，归纳偏好的一般原则是奥卡姆剃刀，奥卡姆剃刀原则具有更好的泛化能力。监督学习是指从带有标签的训练数据中学习模型，用于预测新数据的标签。
2025-05-29 13:37:09
362
原创 本周文献综述
该技术路径可突破传统人工分类的效率瓶颈，为智能农业中的作物品种识别、自然保护区的植物多样性监测等场景提供精准、高效的技术方案，未来可进一步结合联邦学习或轻量化模型压缩技术（如 MobileNet），提升无人机边缘计算能力与复杂环境下的分类抗干扰性。定期浏览 arXiv、ICCV、CVPR、NeurIPS 等学术平台和会议，阅读神经网络领域的最新研究论文，了解 Transformer、生成对抗网络（GAN）、自编码器（AE）、强化学习等前沿技术的发展趋势与应用成果。1.神经网络基础概念的学习。
2025-05-21 21:02:28
703
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人