m0_47405013的博客

【代码】yolov5检测到的框画到原图上。

如：char *my_classes[]={“未知1”,“未知2”,“未知3”,“车头”,“车钩”};需要修改yolov5/src/postprocess.cpp文件，修改标签名；draw_box修改为这样。

【代码】yolov5目标框的融合(两个或多个框)

yolox

unet改进

语义分割

mtcnn

rcnn sppnet fastrcnn fasterrcnn

损失函数一般的目标检测模型包含两类损失函数：一类是类别损失（分类），另一类是位置损失（回归）。

【代码】ubuntu常见命令。

【代码】语义分割评价指标------代码实现。

语义分割评价指标

CTCLOSS

ocr文字识别

目标跟踪

损失函数总结

空洞卷积理论

masaic数据增强

模型压缩

tph_yolov5

Mosaic数据增强

主要对yolo里面的xml文件转化为txt文件

deeplabv1-v3+

yoloct-minimal

yolov3特征提取网络------Darknet53网络及pytorch实现

unet unet++

Darknet-19 是 YOLO v2 的 backbone。Darknet-19 总共有 19 层 conv 层， 5 个 maxpooling 层。Darknet-19 吸收了 VGG16, NIN 等网络的优点，网络结构小巧，但是性能强悍。可以看到， Darknet-19 的 stride 为32, 没有 fc 层，而是用了 Avgpool。下图截取自 Darknet 官网。可以看到 Darknet-19 的性能基本与 Resnet34 差不多。...

主要对yolov4的backbone，用pytorch进行实现

报错，解决办法

labelme批量转化json文件

标准卷积、组卷积、深度可分离卷积、空洞卷积

图像分类、目标检测、语义分割、实例分割、全景分割

yolov5网络结构

yolov1-yolov5总结

DenseNet的几个优点，感受下它的强大：1、减轻了vanishing-gradient（梯度消失）2、加强了feature的传递3、更有效地利用了feature4、一定程度上较少了参数数量。

RCNN系列：RCNN，SPPNet，Fast RCNN，Faster RCNN，R-FCN。SPPNet出现的原因?之前的网络，比如LeNet，AlexNet，ZF，VGG等，它们的输入都是固定大小的，为什么要固定大小呐？原因就在最后连接的全连接层上。全连接层的输入一定是固定大小的。这一点很容易理解，因为全连接层网络就是传统的神经网络，传统的神经网络的输入层必定是固定大小的。而卷积神经网络的conv层的输入并不需要固定大小，那么conv层不用固定大小，FC层的输入又要固定大小，那么在这两者之间加上一层S

代码】【目标检测】------数据增强。

对xml文件进行操作

非极大值抑制

主要对yolov5的detect.py参数进行讲解