m0_53291740的博客

使用标注工具，后面会用到智能标注点击 创建AI多边形后命令行就自动下载对应的模型单机要选中的图像就行，就可以智能选中，双击设置标签依次标注所有图片 ，最后保存成json格式的文件。

【代码】目标侦测划分数据集代码--->voc。

在 VOC2007 的。

这段代码实现了一个图像分类系统，使用预训练的 ResNet18 模型对输入图像进行分类，并将分类结果显示在图像上。它包括以下主要步骤：读取一个包含类别名称和对应编号的文本文件，并将其存储在字典中。定义了几个函数，包括模型导出函数 resnet()、图像预处理函数 pre_process() 和加载 ONNX 模型进行分类的函数 loadOnnx()。在主程序中，指定输入图像路径，调用 loadOnnx() 函数对图像进行分类并显示结果。

实现了一个基于模型的图像特征提取和相似性比较系统。它可以从图像中提取人体关键点信息，并将其保存为特征文件。然后，通过计算输入图像与数据库中图像特征的相似度，确定输入图像的类别。

这段代码主要实现了使用预训练的 ONNX 格式的 YOLOv8n 模型进行目标检测，并在图像上绘制检测结果。它包含一个名为Onnx的类，用于封装与模型推理和结果处理相关的功能。

遍历最终的检测结果，对于每个检测结果，计算边界框的四个顶点坐标，并在原始图像上绘制矩形框。对于每个关键点，根据缩放比例计算其在原始图像中的坐标，并在图像上绘制一个红色的小圆点。获取模型输入的名称，并将预处理后的图像输入模型进行推理，得到输出结果。使用 OpenCV 的非极大值抑制（NMS）算法，对检测结果进行筛选，去除重叠的边界框。，然后将原始图像复制到这个新图像中，确保新图像的边长是图像最长边的长度。最后，显示处理后的图像，并等待用户按下任意键退出程序，关闭所有窗口。的图像，并将其存储在。

每个可以看得见的关节都标注了序号。

简单留个备注，方便自己以后查找。

自定义Movilenet_v2类return x。

添加到conv.py末尾注册模块。

自己随便找一个程序跑一跑验证一下就行。

如果你在yolov8里面新建文件以test开头，他自动就会把这个py文件识别成一个测试的类，从而启动测试。想改的话，py文件换一个名字就好了。Testing started at 下午11:06 ...

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。