chenyuan1111的博客

3、你需要在标注文件夹下用txt写下以下代码，并保存bat文件。2、转到你的标注文件夹（包括json和图片）1、创建一个conda的虚拟环境。4、在终端这么输入就可以了。放在最后一个就可以了。

出现dataset not find要注意yaml文件中的路径是否错误。比如val在路径中要写成valid。这是我觉得很扯淡的地方val:让我写成了val: ./dataset1/val/images，然后就一直报错找不到数据集。用lableme标注之后上传到roboflow生成数据集，并导出yolov5格式。当然也可以在roboflow上标注。，然而分割用到的是yolov5s-seg.pt。还有要在import库之后加上。模型选择也要注意，条件反射选择。要在main函数的第一行加上。

【代码】标注图片和未标注图片混合在一起训练而导致的精度下降，召回率高但精度低的解决办法？

最近项目中用到了条码检测，查阅很多资料，说用Zbar等工具检测的比较多。但是我们会发现，检测是不稳定的，Zbar是解析条码的工具包，运用好它的前提是：能够准确将条码区域提取出来，以及图像质量（分辨率、打光效果等）要把握很好。本文基于YOLOV8+OnnxRuntime部署+滑动窗口+Zbar对于条码检测进行升级，可以有效解决条码检测问题，并且速度也很高。市面上有很多条码、二维码检测的算法，最让人印象深刻的就是腾讯微信扫码——基于SSD和超分算法的二维码检测方式。

**方法一**：正常一张一张标注，标注完成之后另存一份classes.txt文件。如果打卡发现了classes.txt有误，将正确的复制回来即可。 - **方法二**：在第一张中标注所有类别，保存好第一张图片和对应的classes.txt。这样就是从一开始就确定**类别、顺序**。这也是实现**多人同时标注**，并且标注文件一致的有效手段。

三个输出层对应三个不同的分辨率。高分辨率层可以检测小目标，低分辨率层可以检测大目标。看完上面，再看YOLOV5的原来的PANet结构应该很清楚了。提取好特征之后需要进一步提取特征。方法的演变过程，由易到难。1、第一种基础结构就是在最终层进行预测处理。2、第二种是先建立图片金字塔再进行预测处理。4、将高层特征和低层特征融合后进行预测。3、第三种是每一层卷积之后都进行预测。b、是PANet双向融合金字塔。a、是FPN单向融合金字塔。

最近在使用yolov5检测大图像中的小缺陷的时候，发现采用主流的sahi等的处理方式，会让推理速度变得很慢。C++重写python逻辑开发周期又太长。所以尝试自己写一下图像切片，将大图像分割成小图像未入网络。

【代码】把采集的相机图片转为yolov5的输入图片。

首先打开conda终端。

2、假设输入的图片为641*641（原本应是640*640），那么数学上将图片下采样32倍得到的为20.03*20.03，但在显示世界中不存在0.3个像素点（1、yolov5的stride为32指的是输出层的feature map是由输入图片缩放32倍得到的。），因此需要输入图片必须是32的倍数，确保最后一层的feature map大小为：整数*整数。这个地方该怎么描述？

1、未经过MNS最大值抑制的预测结果会产生[1,18900,85]的输出结果。18900代表画出的检测框的个数，85代表coco数据集的80个类别概率、4个坐标值 、1个总体置信度信息。2、YOLOv5的总体置信度为输出每个边界框所预测物体的对象概率（probability）和分类置信度（confidence）的乘积。

3、如果[1,5,6]中的6输出的数值为[672,395,810,878,0.98,0];前四个坐标、第5个为置信度、第六个0在coco数据集中表示人。2、经过极大值抑制之后输出为[1,5,6]，表示检测除了5个框，6代表前4个值为坐标值、第5个为置信度信息、第6个值为所属的类别。1、没有经过最大值抑制的输出为输出为torch.size([1,18900,85]），输出了18900的框所以需要过滤。