m0_53291740的博客

parent# Classesnames:0: person1: bicycle2: car5: bus6: train7: truck8: boat13: bench14: bird15: cat16: dog17: horse18: sheep19: cow21: bear22: zebra27: tie30: skis33: kite39: bottle41: cup42: fork43: knife44: spoon45: bowl。

读取图像，将图像从 BGR 颜色空间转换为 RGB 颜色空间（因为很多深度学习模型期望输入为 RGB 格式）。（Channel-Height-Width），以符合 PyTorch 的输入要求。最后将处理后的图像转换为 PyTorch 张量，并指定数据类型为。的尺寸，这通常是 ResNet18 模型期望的输入尺寸。（Height-Width-Channel）转换为。可以去Imgnet官网找对应的网站来查看类别。在批量维度上扩展图像，使其形状变为。函数接受一个图像路径作为参数。将图像的像素值归一化到。

param boxes: 检测框列表，形状为 [N, 4]，N 为检测框数量，每个检测框为 [x1, y1, x2, y2]:param scores: 检测框对应的置信度得分列表，形状为 [N]:param threshold: 重叠阈值。:return: 保留的检测框索引列表。

简单留个备注，方便自己以后查找。

自定义Movilenet_v2类return x。

可能是第一次注册的时候使用到了pip install ultralytics的时候他给你自动初始化数据集的存放位置。改完后他会自动保存，然后就Ok了。然后自己改一下下载的路径就行了。

在common.py后面加入如下刚刚定义的网络，就是上面的代码的一部分。如此修改网络的yaml文件，yolov5n_res18.yaml。修改yolo网络并运行。需要导包的可以自己导一下。更换网络后的参数如下。

这个是YOLOV5的网络。框出来的是yolov5的主干网络。我们用shufflenet_v2的部分替换。可以直接把shufflenet_v2的网络截取出三部分。下图的右边部分是网络shufflenet的官方网络结构，直接使用即可。1.可以先看看shufflenet_v2的网络结构。定义我们自己需要修改的shufflenet类。照着上面的网络对齐修改。

1. 宽度为0.5的mobilenetv2网络的结构图在主干网络上面可以重新定义成三层，编号从0开始如图是MobileNetV3 的网络结构，要想重新定义的画需要保持每次输出图片的大小不变定义MobileNetV3 的代码如下，我们可以分为3层 test_MobileNetV3.pyif n == 0:if n == 1:if n == 2:if n == 3:feature代表的含义。

xml转txt的代码 01_xml_to_txt。

上次提到了搭建了主干网络，这个加上neck就可以构建完整的yolov3网络红色的字体是通道数。当然，你也可以最定义，最后的输出通道数可以根据你的分类数定夺。下面我们一起来实现一下整个代码。

net=Net()out=net(x)layers=[]net=Net()out=net(x)print(cif)tt.yaml#conf:conf:

通常用于在训练过程中记录各种数据，以便在 TensorBoard 中进行可视化。，然后在浏览器中打开显示的 URL 即可查看可视化结果。在 PyTorch 中，

传进去的是(3,5)维度的数据，其中3可以代表有3个图片（数据）,5代表有5中类别（0，1，2，3，4这几类）。[ 0.1087, -0.4276, 0.9313, -1.0140, 2.1229]表示预测的是。·····第一个图是第一类的概率是 -0.4276（负数无所谓，举的例子是随机的嘛）是预测值的概率更加接近真实值，让那些真实值对于的概率的类别更加大。····第一个图是第一类的概率是 0.1087。----第一行的第3个值。----第二行的第4个值。----第3行的第2个值。