ak47maker的博客

YOLOv11-OBB训练全流程指南 本文详细介绍了使用YOLOv11-OBB模型进行训练的全过程。首先需要准备符合标准格式的数据集，包括图片和YOLO-OBB格式标注文件，并配置相应的yaml文件定义数据集路径和类别信息。训练阶段可通过多GPU并行加速，关键参数包括epochs、batch size等。训练过程中可通过实时日志和TensorBoard监控损失曲线和mAP指标。验证阶段评估模型性能，预测阶段可对新数据进行测试。整个流程涵盖数据准备、模型训练、验证评估和预测应用，并提供了常见问题的解决方案。

通过和，我们完成了从原始四边形标注到YOLO-OBB格式的转换与验证。下一步可将处理后的数据放到指定目录，启动YOLOv11-OBB训练。

摘要： 本文系统分析了YOLOv5目标检测框架中浅层与深层特征的协同机制。通过New CSP-Darknet53主干网络提取多级特征（C3-C5），结合PAN结构的双向特征融合策略，实现细节与语义信息的互补。浅层特征（32×32）保留空间细节利于小目标检测，深层特征（8×8）具有强语义表达，而双向路径（自顶向下/自底向上）通过特征拼接与采样完成多尺度信息交互。实验表明，这种分层设计有效平衡了定位精度与分类性能，为不同尺寸目标检测提供了通用解决方案。特征融合可视化与代码解析进一步验证了其技术可行性。

ultralytics其实是一个大平台，方便了很多想用yolo的同学，但是有点不好的是，作为一个开发者，没有源码的加持，总感觉不得劲，看不到源码的中间过程，并没有很踏实。本文已经完成了yolo新版本的环境搭建，至于后续的转换以及其他步骤，就不阐述了。

YoloV5-OBB通过引入旋转框检测能力，显著提升了模型在倾斜目标场景下的检测性能。其核心改进包括旋转框表示、角度编码策略和旋转IoU计算等。虽然带来了一定的计算开销，但在需要精确检测旋转目标的场景下，这种改进是非常有价值的。未来，随着硬件加速和算法优化的进步，旋转目标检测技术将在更多领域得到广泛应用。

YOLO来源于“you only look once”的简写，作者的想法是只看一次就能知道目标在哪里，跟人眼看到的第一反应一样，作为业内实时性、不错的精度的一种目标检测算法，yolo在过去的几年时间里，已经在工业应用中发挥着巨大的作用，如无人驾驶、农作物病虫害预防、医学检查等。

本文针对ResNet18模型提出了一种全局残差块剪枝方法，重点裁剪了layer1至layer4中的所有残差块，同时保留第一层卷积conv1以维护基础特征提取能力。文章详细阐述了剪枝策略设计原理与代码实现，通过L1范数对残差块内的卷积层进行通道剪枝，并同步调整批归一化层参数。实验结果显示，该方法在保证模型精度的同时显著减少了参数量，为深度学习模型压缩提供了有效的实践方案。（150字）