excelNo1的博客

在进行模型推理时，无论是加载模型的速度还是对测试图片的推理速度，都能明显感觉到YOLOv5比YOLOv3速度快，尤其是加载模型的速度，因为同样的数据集训练出来的模型YOLOv5更加轻量级，模型大小减小为YOLOv3的将近四分之一。在yolov5目录下的model文件夹下是模型的配置文件，这边提供s、m、l、x版本，逐渐增大（随着架构的增大，训练时间也是逐渐增大），假设采用yolov5s.yaml，只用修改一个参数，把nc改成自己的类别数；我是通过官网源码给的链接翻墙在google云盘上下载的。...

yolov5快速安装环境1.打开Anaconda Prompt，进入base 环境2.在base环境下，创建yolov5的环境。(base) C:\Users\Administrator>conda create -n yolov550 python=3.7 //yolov550为自己命名的环境名称，python=3.7 指定python的版本为3.7(base) C:\Users\Administrator>conda activate yolov550 //激活yolov550

修改config文件train_config: { data_augmentation_options { random_horizontal_flip { } } data_augmentation_options { ssd_random_crop { } }}能选择的预处理操作normalize_imagerandom_pixel_value_scalerandom_image_scalerandom_rgb_to_grayrandom

yolov5 模型部署NCNN一、编译ncnn1、在github官网输入 ncnn ,找到Tencen\ncnn 下载ncnn2.打开vs2017 工具 x64 Native Tools Command Prompt for VS 20173.下载protobuf-3.4.0到本地4.编译protobuf的动态库，输入以下命令：cd <protobuf-root-dir>mkdir buildcd buildcmake -G"NMake Makefiles" -DCMAKE

Yolov5 环境配置及部署之环境配置（一) （详细教程）最近在学习yolov5，记录下过程。一、环境配置进入Github官网https://github.com/ultralytics/yolov5/releases，选择版本为v5.02.下拉滚动条，找到Source code(zip)。点击下载到本地。3.解压Yolov5-5.0文件到指定目录，解压后文件如图所示4.打开Anaconda Prompt，创建名为Yolov550的环境。在官网上要求Python 版本大于等于3.6.0

yolov5 + libtorch1.9 +vs2017 模型部署C++一、模型转换：在C++中调用pytorch模型需要转换成torchscript。import torchimport torchvision# An instance of your model.model = torchvision.models.resnet18()# An example input you would normally provide to your model's forward() metho

Tensorflow C + windows 10 + vs2017 部署一、获得Tensorflow c 库文件方法一：选择合适版本，在windows下编译成c接口库文件。方法二：在官网下载合适的版本，直接获得c接口库文件。libtensorflow-cpu-windows-x86_64-1.15.0.zip二、配置Tensorflow库文件1.打开VS2017，创建新项目，选择Visual C++下控制台应用。2.打开项目的属性页，在【配置属性】->【C/C++】->【常规】-

PaddleDetection 环境配置详细过程前言：学习目标检测有一段时间了，现在准备学习下百度的pp-yolo-e 这个轻量级模型。一、github 下载源码1.进入paddle的GitHub官网。https://github.com/PaddlePaddle/PaddleDetection.com2.下载paddledetection，点击【Download ZIP】下载到指定位置。二、paddle环境配置1.在开始菜单中找到Anaconda3，打开Anaconda Prompt 命

一、引言使用谷歌提供的object detection api图像识别框架，我们可以很方便地重新训练一个预训练模型，用于自己的具体业务。以我所使用的ssd_mobilenet_v1预训练模型为例，训练所需参数都在training文件夹下的ssd_mobilenet_v1_coco.config中预先配置了，只需对少量路径参数做修改即可。但是这种“傻瓜式”的训练参数配置方法有很大不足。一是无法理解训练参数背后的原理，不利于技术积累；二是一旦遇到需要优化的问题时，不知道如何调整训练参数。例如，我使用默认配置

最近美团开源了yolov6 源码，准备体验下yolov6 的效果。记录下环境配置过程。1.在github 上输入yolov6，选择meituan/YOLOV6。或者直接访问https://github.com/meituan/YOLOv6。2.进入到YOLOV6 仓库后，在Code 下拉列表中选择Download ZIP，下载该源码文件。3.将源码文件解压至合适的硬盘。1.在开始菜单栏中找到Anacond3，使用Anaconda3 Prompt (Anaconda3)创建环境。2.在Ancond