帕里亚的杂货铺

OpenPCDet的3D目标检测的初步实践环节

本文作为之前水下图像增强的补充，增加了所提到的不同的算法python程序，可供参考。

前SOTA和现SOTA的比较，BEVFormer、BEVDepth

此篇文章是在7月初编写，可能会与现有的源码有所出入，如在月末增加了关于head部分阴性参数的融合，但总体上的出入并不会太大

简单分析了近些年YOLO系列的进步和发展方向

外面的项目需要做一个工业读表的功能，并给发来了百度飞桨的案例链接https://www.paddlepaddle.org.cn/tutorials/projectdetail/3387933。基本的要求是在百度飞桨的基础上进行修改即可，因此主要的工作是修改读表的部分。由于百度的教程非常详细，所以代码配置问题在此处省略，需要注意的是环境配置必须完全按照教程使用CUDA10.2，否则会导致编译错误，此处只对如何修改读表做出总结。修改表盘读取范围打开meter_reader.cpp可以看到63行处有GetM

阿里天池：小样本商标检测（baseline0.50）在学会YOLO目标检测后第一次参加这样的比赛，特此做个记录，此处也提出一些改进的方案。比赛链接：ICME-2022 安全AI挑战者计划第九期：小样本商标检测挑战赛-天池大赛-阿里云天池 (aliyun.com)。比赛规则比较严格，首先只能使用Image 1K的预训练模型，但YOLO自身只提供基于COCO的预训练模型；且不允许使用模型融合，即使用多个模型的预测结果做并集，冲排名的话需要注意。本文需要掌握一定的yolo检测基础，具体的训练命令和检测命令省略。

XML文件转TXT，XML无图片宽高信息网络上有很多xml转txt的文章，不过有的xml文件不包括size信息，即图片本身的宽高，如先前提到的湛江水下目标检测大赛数据集的label文件。因此在前辈的基础上添加了图像size的读取，无需对xml文件进行处理，直接将图片的宽高读到数组中，这个方法的局限性在于标签和图片必须一一对应，但考虑到数据集通常是规整的，因此无伤大雅。import xml.etree.ElementTree as ETimport osimport cv2from tqdm imp

水下目标检测之数据集和数据增强方法通过之前对yolov5的简单学习，发现yolov5的训练和调试都比较方便，因此希望将其运用到水下目标检测的任务中。那么首要任务就是寻找比较合适的数据集作为训练样本，考虑到水下图像数据集就少的可怜，此处列举3个针对水下目标检测的数据集。Real-world Underwater Image Enhancement(RUIE)大连理工大学的自制数据集，论文https://arxiv.org/abs/1901.05320，数据集https://github.com/dlut

yolov5目标检测yolov1到v4的论文在这篇文章里比较详细，此处不对其网络做更深入的介绍，重点在于如何训练以及如何用训练好的模型做检测。以下内容参考了源码提供的教程，是对此前工作的技术总结。yolov5的安装与配置git clone https://github.com/ultralytics/yolov5 # 下载源码cd yolov5pip install -r requirements.txt # 安装所需要的环境yolov5需要python3.7以上的环境版本，如果需要使用g