记录下关于pytorch meshgrid 与stack，在yolov5 中的作用

已于 2023-03-28 14:28:32 修改
阅读量392 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： ai模型搭建，平台部署课程 深度学习 yolov5 文章标签： pytorch python 深度学习
于 2023-03-28 11:51:12 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/monk96/article/details/129812120
本文介绍了pytorch中的meshgrid和stack函数在深度学习，特别是yolov5模型中的作用。meshgrid用于扩展张量以获取网格坐标，而在yolov5中用于计算特征图上的坐标位置。torch.stack则将网格坐标整合成二维矩阵，便于进行矩阵运算，以计算每个坐标点的偏移量。在yolov5的make_grid过程中，这些概念得到了具体应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

meshgrid

用于扩展两个相同类型的同维度张量，举个列子

在这里插入图片描述

  • 创建了两个一维的张量，分别为5, 4
  • 将两个张量扩张到一起
  • 扩张后的维度为第一个张量的维度X 第二个张量的维度

作用

在这里插入图片描述
在yolov5中需要取到特征图网格中的坐标，再加上相对0～1的偏移量，需要用到坐标值的计算

刚好对应图中的坐标， x 为5个坐标， y为4个坐标，
因为yolov5中偏移不需要计算最后一个边界点，所以少了一个维度（自行根据需要调整维度）

比如要取（2, 1）的坐标
我们取xv的第二行，第2列， 为2
yv的第1行，第2列， 为1
所以坐标为（2, 1）

torch.stack

d
了解本专栏 订阅专栏 解锁全文 超级会员免费看
YOLOv5改进 | Conv篇 | 利用DCNv3卷积优化C3 | 无需编译Windows完美运行（附代码 + 修改教程）
Snu77的博客
02-07 2308
到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv5改进有效涨点专栏，本专栏目前为新开的平均质量分98分，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~YOLOv5改进专栏——持续复现各种顶会内容——内含100+创新。
YoloV8改进策略：将DCN v1与v2运用到YoloV8中，化身成上分小黑子
AI浩
04-09 2735
在前面的文章中，我们尝试用DCNv3替换YoloV8中的结构，实现了分数的上涨。在这篇文章中，我们尝试用DCNv1与DCNv2.比一比哪个才是最优秀的小黑子。 论文链接：在计算机视觉领域，同一物体在不同场景，角度中未知的几何变换是检测/识别的一大挑战，通常来说我们有两种做法:(1)通过充足的数据增强，扩充足够多的样本去增强模型适应尺度变换的能力。(2)设置一些针对几何变换不变的特征或者算法，比如SIFT和sliding windows。两种方法都有缺陷，第一种方法因为样本的局限性显然模型的泛化能力比较低，无
搭建Yolov5_DeepSort时遇到的问题：问题1：UserWarning: torch.meshgrid: in an upcoming release；问题2：[mov,mp4,m4a,3gp
m0_74890428的博客
06-05 4263
问题1：UserWarning: torch.meshgrid: in an upcoming release, it will be required to pass the indexing argument.问题2：[mov,mp4,m4a,3gp,3g2,mj2 @ 000001fe939c8d80] moov atom not found；问题3：在运行Yolov5_DeepSort目标追踪无法保存视频​​​​​​​
Yolov5训练时报错：UserWarning: torch.meshgrid: in an upcoming release, it will be required to pass the ind
qq_43742820的博客
09-07 1万+
yolov5检测时报错UserWarning: torch.meshgrid: in an upcoming release, it will be required to pass the indexing argument.
【YOLOV5问题记录】UserWarning: torch.meshgrid: in an upcoming release，it will be required to pass the..
liujiale362422的博客
08-04 894
先点击F:\depth_study\anaconda\envs\pytorch\Lib\sitepackages\torch\functional.py:513。这个警告的意思是当前的代码格式会与将来的pytorch版本不兼容，考虑到代码的可移植性，建议修改。在pycharm运行yoloV5中的train.py时遇到。应该可以解决当前问题。
yolov5 7.0运行segment/predict.py时出现TypeError: meshgrid() got an unexpected keyword argument ‘indexing‘
python_plus的博客
12-25 954
问题描述 第一次运行segment/predict.py时会出现错误： TypeError: meshgrid() got an unexpected keyword argument ‘indexing‘ 解决方法： 在yolo.py中源代码： yv, xv = torch.meshgrid([torch.arange(hsize), torch.arange(wsize)], indexing="ij") 删除indexing="ij"即可 yv, xv = torch.meshgrid([torc
【Pytorch】使用
Emery_learning的博客
08-15 968
在 sy_ij, sx_ij = torch.meshgrid(y, x, indexing=‘ij’) 中，sy_ij 和 sx_ij 的维度是一致的。例如，如果 y 的形状是 (m,)，x 的形状是 (n,)，那么 sy_ij 和 sx_ij 的形状都将是 (m, n)。
【深度学习】从零开始用pytorch实现YOLOv3
Hana
10-29 1382
【目标检测】从零开始用pytorch实现YOLOv3About YOLOv3构建网络架构实现前馈传播非极大值抑制设计输入输出管道 Tutorial About YOLOv3 预测框与cell You expect each cell of the feature map to predict an object through one of it’s bounding boxes if the ...
2021SC@SDUSC山东大学软件学院软件工程应用与实践--YOLOV5代码分析（十六）yolo.py-1
xjunjin的博客
12-13 4143
2021SC@SDUSC 前言 由于分配任务改动，我增加了一篇yolo.py文件的分析。该文件是模型的定义部分，是整个项目的核心部分。 parse_model函数 def parse_model(d, ch): # model_dict, input_channels(3) LOGGER.info('\n%3s%18s%3s%10s %-40s%-30s' % ('', 'from', 'n', 'params', 'module', 'arguments')) anchors
yolov5模型部分源码解读
weixin_45054622的博客
07-11 788
对于model部分，我们首先看model的配置文件 模型解析 为了突出重点，我把一些日志输出相关部分，给删去了 Detect类 model类 了解完了模型配置和解析，那么接下来就可以看看yolo网络了，对其进行了部分删减...
yolov5 的 detect 层 与 anchor 机制
weixin_44956310的博客
12-06 1万+
yolov5 的　anchor 机制　和　Detect 层　详解
Yolov5（1）：Detect源码逐行解析
qq_42418728的博客
12-22 7284
开学时，给自己定的学习任务，直到今天才有闲空来完成。一方面是yolo代码初看觉得乱糟糟的，不想读；其次，yolo算法对于初触深度学习的我而言，还是有较大的难度。 今天学习成果就是弄懂了，yolov5的Idea+模型的构建+实现源码 类似ViT的阅读，阅读完后觉得，还是自顶向下解析比较清晰。 一、Yolo v5 模型结构 模型整体分为： 1.BackBone 2.Neck 3.Head（在代码中，直观上看似乎作者将Neck和Head放在一起实现了） 下方的图中，用四种颜色圈出...
YOLO源码详解（五）- YOLO中的7*7个grid和RPN中的9个anchors
木凌的博客
12-08 1万+
本系列作者：木凌 时间：2016年12月。 文章连接：http://blog.youkuaiyun.com/u014540717 QQ交流群：554590241 一直不知道7×7的网格到底是干什么的，不就是结果预测7×7×2个框吗，这跟把原图分成7×7有什么关系？不分成7×7就不能预测7×7×2个框吗？之前跟一个朋友讨论，他说7×7的网格是作为回归框的初始位置，我后来的很长一段时间一直这么认为
基于rk3588s的yolov5深度学习从训练到部署--讯飞智能车识别任务（四）
qq_62703890的博客
08-07 3707
首先，参照官方的RKNN文档的操作，将对应的部分进行修改。yolov5工程中的文件中的类 里forward代码进行修改，内容如下。注意：修改后此工程将不可进行训练模型程序，会出现报错。修改完成后我们可以直接对export.py进行修改导出，也可通过传参的方法运行export.py进行导出。将训练得到的best.pt复制到export.py同一级文件夹下。在命令终端输入以下命令即可传参导出之后，在export.py的同级目录下，就会生成best.onnx这个文件，我们需要做的就是把这个文件复制到我们的。
yolov5画框重复、大框包小框问题解决，c++、python代码调用onnx
weixin_45994963的博客
12-16 7723
yolov5画框重复、大框包小框问题解决，c++、python代码调用onnx，yolov5的pt文件转onnx，onnx文件修改。删除yolov5的anchor box decode，并将三个输出捏在一起详细过程
博客6：YOLOv5车牌识别实战教程：性能优化与部署
sybh的博客
04-03 724
嵌入式设备部署：可以将YOLOv5车牌识别模型部署到树莓派、Jetson Nano等嵌入式设备上，实现边缘计算。除了模型压缩之外，我们还可以采用模型加速技术，以提高模型在实际环境中的推理速度。摘要：在本篇博客中，我们将介绍如何优化YOLOv5车牌识别系统的性能，以及如何将模型部署到实际应用中。这样，我们就将YOLOv5模型转换为TensorRT引擎，并利用TensorRT加速了模型的推理速度。例如，可以训练多个YOLOv5模型，并将它们的预测结果进行加权平均或投票，以提高车牌识别的准确率。
目标检测 YOLOv5 - 损失函数的改进
热门推荐
二分掌柜的
09-28 2万+
目标检测 YOLOv5 - 损失函数的改进 flyfish 完整代码下载地址 该改进源码完全兼容原版的YOLOv5:v5版本，同时backbone支持mobilenetv3,shufflenetv2，原有的backbone全部支持等等 类别有包含关系的例如一个目标可以是人，男人，也有互斥关系的，一个类别例如人，猫，狗。在数据集的类别是互斥关系下尝试损失函数的改进 类别是包含关系的 BCEWithLogitsLoss 可以用于多标签分类的，一个目标可以属于一个或者多个类别，例如一个目标可以是人，男人，儿童，类
YoloV5 的部署【详解】
qq_23022733的博客
07-04 2394
YoloV5部署
yolov5class
最新发布
03-20
### YOLOv5 类定义及其用法 YOLOv5 是一种基于 PyTorch 的目标检测框架，其核心功能通过多个类实现。以下是关于 YOLOv5 中的关键类定义以及如何使用这些类的相关说明。 #### 1. **Model Class 定义** YOLOv5 的 `model` 部分通常由一个名为 `Model` 的类来管理。该类负责加载配置文件并初始化网络结构。以下是一个简化版本的 `Model` 类定义： ```python import torch.nn as nn class Model(nn.Module): def __init__(self, cfg='yolov5s.yaml', ch=3, nc=None): # 初始化函数 super().__init__() if isinstance(cfg, dict): self.yaml = cfg # 如果传入的是字典，则直接赋值给yaml属性 else: import yaml with open(cfg) as f: self.yaml = yaml.safe_load(f) # 加载yaml配置文件 from models.common import parse_model self.model, self.save = parse_model(deepcopy(self.yaml), ch=[ch]) # 解析模型结构 self.names = [str(i) for i in range(nc)] if nc and not hasattr(self, 'names') else [''] * nc # 设置类别名称 def forward(self, x): return self.forward_once(x) # 前向传播逻辑 def forward_once(self, x): y, dt = [], [] # 存储中间层输出和时间统计 for m in self.model: if m.f != -1: # 如果不是输入层 x = y[m.f] if isinstance(m.f, int) else [x if j == -1 else y[j] for j in m.f] # 获取前一层输出 x = m(x) # 当前层处理 y.append(x if m.i in self.save else None) # 保存当前层输出 if self.training: # 训练模式下的额外操作 pass return x ``` 上述代码展示了 YOLOv5 如何解析 YAML 文件中的配置项，并构建神经网络模型[^4]。 --- #### 2. **Training Script 使用方法** 为了训练 YOLOv5 模型，可以通过调用脚本来完成。下面是一段典型的命令行示例： ```bash python train.py --img 640 --batch 16 --epochs 50 \ --data coco128.yaml --cfg yolov5s.yaml --weights '' \ --name custom_experiment_name --cache ``` 其中： - `--img`: 输入图像大小 (如 640 表示图片缩放至 640×640)。 - `--batch`: 批量大小。 - `--epochs`: 总迭代轮数。 - `--data`: 数据集配置文件路径。 - `--cfg`: 模型架构配置文件路径。 - `--weights`: 权重文件路径（如果为空字符串则表示随机初始化）。 - `--name`: 日志存储子目录名。 - `--cache`: 是否缓存数据到内存中加速读取速度。 此部分与提供的引用内容一致[^2]。 --- #### 3. **Inference Example 推理过程** 推理阶段主要依赖于 `detect.py` 脚本。以下是如何运行推断的一个简单例子： ```bash python detect.py --source data/images/zidane.jpg --weights runs/train/exp/weights/best.pt --conf 0.25 ``` 解释如下： - `--source`: 图像、视频或者摄像头编号作为输入源。 - `--weights`: 已经训练好的权重文件位置。 - `--conf`: 置信度阈值，默认为 0.25。 --- #### 4. **Customizing the Grid Offsets 自定义网格偏移** 在某些情况下可能需要重新计算网格偏移量。这涉及到了解耦合的过程，在 YOLO 层 (`YOLOLayer`) 中会执行类似的逻辑。例如： ```python def compute_grid_offsets(self, grid_size, img_size): stride = img_size / grid_size half_stride = stride / 2. # 创建网格坐标矩阵 gx, gy = torch.meshgrid([torch.arange(grid_size), torch.arange(grid_size)]) gx, gy = gx.reshape(-1).float(), gy.reshape(-1).float() offsets = torch.stack((gx, gy), dim=-1) return offsets.to(device=self.device) ``` 这段代码片段用于动态调整预测框的位置偏差，确保最终结果更加精确[^3]。 --- ###
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

东哥aigc

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值