YOLOv5轻量化必备:StemBlock结构详解与实战替换教程(附代码)

stem block 理解 Stemblock 结构将输出的尺寸缩减为输入的 1/4,多用于轻量化网络,完成下采样操作,可以用于 YOLOv5 网络模型中原始的卷积下采样操作,减少参数量。 class StemBlock(nn.Module): def __init__(self, c1, c2, k=3, s=2, p=None, g=1, act=True): super(StemBlock, self).__init__() self.stem_1 = Conv(c... 阅读详情

YOLOv5轻量化必备:StemBlock结构详解与实战替换教程(附代码)

在计算机视觉领域,YOLOv5因其出色的实时检测性能而广受欢迎。然而,随着边缘计算和移动端部署需求的增长,模型轻量化成为开发者必须面对的挑战。本文将深入解析StemBlock这一轻量化利器,手把手教你如何将其融入YOLOv5架构,实现性能与效率的双赢。

1. StemBlock结构原理解析

StemBlock作为轻量化网络设计的核心组件,其精妙之处在于通过多分支结构实现高效的下采样。与传统的卷积下采样相比,它能够在保持特征表达能力的同时显著减少参数量。

1.1 结构拆解与数据流分析

一个标准的StemBlock包含以下关键操作层:

  1. 初始卷积层:使用3x3卷积进行初步特征提取
  2. 双路径处理:
    • 路径A:1x1卷积降维后接3x3卷积下采样
    • 路径B:直接应用最大池化下采样
  3. 特征融合:将双路径输出在通道维度拼接后通过1x1卷积调整维度
class StemBlock(nn.Module):
    def __init__(self, c1, c2, k=3, s=2, p=None, g=1, act=True):
        super(StemBlock, self).__init__()
        self.stem_1 = Conv(c1, c2, k, s, p, g, act)
        self.stem_2a = Conv(c2, c2//2, 1, 1, 0)
        self.stem_2b = Conv(c2//2, c2, 3, 2, 1)
        self.stem_2p = nn.MaxPool2d(kernel_size=2, stride=2, ceil_mode=True)
        self.stem_3 = Conv(c2*2, c2, 1, 1, 0)

1.2 参数量与计算优势

与传统卷积下采样相比,StemBlock在参数量上的优势主要体现在:

结构类型参数量计算公式典型值(c1=64,c2=64)
传统3x3卷积c1×c2×k×k64×64×3×3=36,864
StemBlock见下方分解总计约24,576

参数量分解计算:

  • stem_1: 64×64×3×3 = 36,864
  • stem_2a: 64×32×1×1 = 2,048
  • stem_2b: 32×64×3×3 = 18,432
  • stem_3: 128×64×1×1 = 8,192
  • 总计:36,864 + 2,048 + 18,432 + 8,192 = 65,536

注意:虽然看似参数量增加,但由于StemBlock替代的是多个传统卷积层,整体网络参数仍会显著降低。

2. YOLOv5中的集成方案

将StemBlock集成到YOLOv5需要精准定位替换位置,通常建议替换Backbone中的前几个下采样层。

2.1 模型架构修改指南

  1. 定位修改文件:通常为models/yolo.py中的Detect类
  2. 创建StemBlock模块:将上述类定义添加到模型定义文件中
  3. 替换原始卷积:找到对应下采样层进行替换
# 修改前的传统卷积结构
# self.conv = Conv(c1, c2, k=3, s=2)

# 修改后的StemBlock结构
self.stem = StemBlock(c1, c2)

2.2 兼容性调整技巧

在实际集成过程中,需要注意以下关键点:

  • 输入输出通道数的匹配
  • 特征图尺寸的一致性检查
  • 激活函数类型的统一
  • BN层参数的初始化

3. 实战性能对比测试

为了验证StemBlock的实际效果,我们在COCO数据集上进行了对比实验。

3.1 实验配置

  • 硬件环境:NVIDIA Tesla T4 GPU
  • 软件环境:PyTorch 1.10, CUDA 11.3
  • 训练参数:batch_size=32, epochs=100
  • 测试指标:mAP@0.5, 参数量(M), FLOPs(G)

3.2 结果分析

模型版本mAP@0.5参数量(M)FLOPs(G)推理速度(FPS)
原始YOLOv5s37.27.216.5142
+StemBlock36.86.114.3156

关键发现:

  • 参数量减少约15%
  • 计算量降低13%
  • 推理速度提升近10%
  • 精度损失控制在1%以内

4. 进阶优化策略

对于追求极致性能的开发者,可以考虑以下进阶优化方向。

4.1 通道数动态调整

通过分析特征重要性,可以动态调整各分支的通道数比例:

# 动态通道调整示例
def __init__(self, c1, c2, ratio=0.5):
    self.ratio = ratio
    mid_channels = int(c2 * ratio)
    # 后续层使用mid_channels替代固定比例

4.2 混合精度训练

结合StemBlock与混合精度训练,可进一步降低显存占用:

# 训练时添加--half参数
python train.py --img 640 --batch 32 --epochs 100 --data coco.yaml --weights yolov5s.pt --half

4.3 量化部署方案

针对边缘设备,推荐采用以下量化策略:

  1. 训练后动态量化(PTDQ)
  2. 量化感知训练(QAT)
  3. TensorRT INT8量化

提示:量化前务必测试StemBlock各层的数值范围,避免溢出问题。

Stem Block 在 YOLOv5 中的轻量化实践与优化策略 本文深入探讨了Stem Block在YOLOv5模型轻量化中的核心作用与实践策略。通过剖析其多分支结构设计,详细展示了如何替换原始卷积层以显著减少参数量和计算量,并提供了从模型修改、训练到部署的完整优化指南,助力开发者在嵌入式设备等资源受限场景下实现高效目标检测。 阅读详情

相关推荐

PPHGNetV2架构设计与实现细节剖析

本文深入剖析了PPHGNetV2架构的设计哲学与实现细节。该网络通过动态结构重参数化、硬件感知优化等核心技术,在训练时利用多分支结构丰富特征表达,在推理时融合为高效单分支,实现了精度与速度的卓越平衡。文章结合源代码详细解读了其核心模块、网络结构及工程实践,为移动端和边缘设备部署提供了高效的轻量化解决方案。

weixin_29058331的博客 225

【垃圾分类】Stemblock+shufflenet改进YOLOv5:垃圾分类检测系统

【垃圾分类】Stemblock+shufflenet改进YOLOv5:垃圾分类检测系统

cheng2333333的博客 943

从PPHGNetV2到YOLOv8:手把手教你替换主干网络的避坑指南

本文提供了一份详尽的YOLOv8主干网络替换避坑指南,重点介绍了如何将PPHGNetV2集成到YOLOv8中。通过解析PPHGNetV2的源代码结构,并详细讲解自定义模块创建、模型配置、训练调优及部署优化等关键步骤,帮助开发者在保持甚至提升检测精度的同时,有效降低模型计算量和内存占用,实现边缘计算场景下的高效部署。

weixin_29053577的博客 321

【YOLO改进】一、v5的backbone改为shuffleNet,并进行效果对比

近期,想尝试将YOLOV5的backbone改为ShuffleNetv2这类的轻量级网络,想和yolov5s进行对比

qq_55068938的博客 6339

StemBlock pytorch实现

本文mark一下peleeent和yolov5中的实现: import time from collections import OrderedDict import torch.nn.functional as m_func import torch import cv2 import torch.nn as nn import torch.nn.functional as F import numpy as np class conv_bn_relu(nn.Module): def __

jacke121的专栏 2793

别再用Excel硬算传热了!用MATLAB/Octave复现国赛数学建模A题(附完整代码与避坑指南)

本文详细介绍了如何利用MATLAB/Octave高效解决数学建模中的传热问题,替代传统的Excel计算方法。通过复现2018年国赛A题的高温作业服传热模型,从理论推导到代码实现,提供了完整的有限差分法解决方案和参数拟合技巧,帮助读者提升数学建模效率和准确性。

weixin_30512965的博客 382

轻量级神经网络PeleeNet--对DenseNet的进一步改进

论文地址: 《Pelee: A Real-Time Object Detection System on Mobile Devices》 文章总体上参考DenseNet的设计思路,提出了三个核心模块进行改进,有一定参考价值。 PeleeNet实际上是DenseNet的变体,使用的依然是DenseNet的连接方法,核心的设计原则也和DenseNet相仿(特征重用)。 1. Two-Way Dense Layer: 如下图所示:左边(a)图是DenseNet中设计的基本模块,其中k、4k代表filte

panghuzhenbang的博客 3035

从SSTS到CTS:解码汽车电子架构中的需求与实现规范

本文深入解析汽车电子架构中SSTS(子系统功能规范)与CTS(零部件技术规范)的转换过程,揭示从抽象需求到物理实现的关键步骤。通过实际案例说明如何将SSTS的功能逻辑、接口定义和性能指标转化为具体的CTS实施方案,并分享多供应商协同与测试验证的最佳实践,帮助开发者高效完成汽车电子系统开发。

weixin_29201859的博客 503

基于Stemblock+shufflenet改进YOLOv5的垃圾分类检测系统

基于Stemblock+shufflenet改进YOLOv5的垃圾分类检测系统

m0_74241524的博客 1114

手把手教你用STM32硬件SPI驱动BMI088陀螺仪(附完整代码)

本文提供了一份详尽的STM32硬件SPI驱动BMI088陀螺仪的实战指南。内容涵盖从硬件连接、SPI底层配置、驱动层封装到设备初始化、数据读取与同步策略,并深入探讨了数据处理、滤波融合及温度补偿等核心技巧,旨在帮助开发者构建稳定高效的IMU驱动框架,解决BMI088应用中常见的挑战。

quiet的专栏 530

特征提取 Features Extraction

介绍了特征提取的基本概念,从分类变量,文本信息和图片信息中进行特征提取的方法,以及实现特征提取的类库

JasonH2021的博客 1万+

YOLOv5轻量化实战:用StemBlock替换传统卷积下采样(附完整代码)

本文详细介绍了如何通过StemBlock结构替换YOLOv5模型前端的传统卷积下采样层,以实现模型轻量化。该方法在嵌入式平台等计算资源受限的环境中,能在保持精度的同时显著提升推理速度。文章提供了完整的代码实现、模型配置修改步骤以及实验对比分析,为YOLOv5的轻量化部署提供了实用的优化思路。

postgres8guard的博客 1058

翁恺-C语言程序设计 PTA习题集

代码练习题

qq_46085472的博客 7652

为什么YOLOv5的StemBlock能省50%参数?图解下采样结构的进化之路

本文深入解析了YOLOv5中StemBlock的设计原理,通过图解对比传统下采样方式,揭示其如何利用多路径并行、通道压缩及特征融合等策略,在保证性能的同时显著降低参数量。该结构是轻量化网络设计的关键,尤其适用于边缘设备部署,体现了高效下采样的进化方向。

k6l7m8n9的博客 66

什么是深度展开网络?如何将迭代算法的每一次迭代展开成深度网络对应的一层?深度展开网络进行端对端训练,其中端对端是什么意思?

在深度学习和机器学习的背景下,“端到端”(End-to-end)训练指的是将输入数据直接映射到最终输出的过程,而不需要任何中间的手动数据预处理或特征工程。- **自然语言处理**:端到端自然语言处理系统可以将自然语言输入直接转化为计算机可理解的语言输出,而不需要对语言进行分解和转化。- **推荐系统**:通过使用深度神经网络,端到端推荐系统可以直接根据用户历史行为预测其未来的兴趣爱好,并推荐相应的产品或服务。4. **直接映射**:从输入到输出的直接映射,中间没有任何拆分或分解的过程。

m0_67897882的博客 5442

构建具有预测维护能力的AI Agent

随着工业4.0的推进,工业设备的复杂性和自动化程度不断提高,设备的稳定运行对于企业的生产效率和经济效益至关重要。预测维护作为一种先进的设备维护策略,能够通过对设备状态的实时监测和分析,提前预测设备故障,从而避免设备意外停机,降低维护成本。本文的目的是详细阐述如何构建具有预测维护能力的AI Agent,涵盖从数据采集、处理、模型训练到实际应用的整个流程,为企业和开发者提供全面的技术指导。本文将按照以下结构进行组织:首先介绍核心概念与联系,包括预测维护和AI Agent的基本原理和架构;

2501_92132293的博客 943

改进yolov5s

5.替换backbone。

qq_41177546的博客 559

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

轻量级语义分割网络 BiseNetv2学习:手把手教你搭建BiseNetv2(tensorflow2),并在Cityscapes上完成语义分割任务

轻量级语义分割网络 BiseNetv2学习:手把手教你搭建BiseNetv2(tensorflow2),并在Cityscapes上完成语义分割任务 文章目录轻量级语义分割网络 BiseNetv2学习:手把手教你搭建BiseNetv2(tensorflow2),并在Cityscapes上完成语义分割任务前言1.网络搭建1.1DetailBranch的构建1.2 SemanticBranch的构建1.2.1 StemBlock的创建1.2.2 Gather-and-Expansion Layer的创建1.2.3

theworld666的博客 9188

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

神经网络基础模型VGG、GoogLeNet(inception)、ResNet、dense Net、SqueezeNet、Xception的网络结构

weixin_44474718的博客 1956

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

基于深度学习的目标检测算法综述(一)

前言 目标检测(Object Detection)是计算机视觉领域的基本任务之一,学术界已有将近二十年的研究历史。近些年随着深度学习技术的火热发展,目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。从最初2013年提出的R-CNN、OverFeat,到后面的Fast/Faster R-CNN,SSD,YOLO系列,再到2018年最近的Pelee。短短不到五年时间,基于深度学...

人工智能与机器视觉的博客 2万+

Pelee阅读学习笔记

1.论文阅读: 摘要: VOC 2007:76.4%;MS coco:22.4% 速度:iPhone8的速度为23.6 fps,Nvidia TX2的速度为125 fps。 引言: 【MobileNet、ShuffleNet、MobileNet v2等相继被提出,这些模型都过度依赖于depthwise卷积,而深度可分离卷积缺乏高效实现】 本文主要工作: 1.提出了一种用于移动设备端的网...

weixin_38715903的博客 655

目标检测 16 道高频思考题全解——从 Faster R-CNN 到 YOLO v1 的复习手册

无论哪个版本,loss、输出形状、一次前向都只反映训练/前向过程,真正衡量检测好坏仍要靠独立验证集上的 Precision、Recall、AP、mAP——这是模型"检得准不准"的唯一可靠口径。随机初始化的 RPN 可能没提出与真实实例 IoU 达标(≥0.5)的正 RoI,那么即使图像里有有效 mask,这个 batch 也没有可用的正样本 RoI,loss 自然为 0。课程项目用的是 7×7 网格。把"在哪里"和"是什么"分开,每个候选区域都能拿到充分的特征计算资源做精细分类与回归,精度天花板更高。

anew___的博客 288

料箱抓取中的背面点:按面板读懂一张坐标可视化

料箱抓取画面里的背面点,是 HccePose(BF) 根据已知物体的 RGB 外观预测出的模型表面坐标。读图时把正面坐标、背面坐标和最后的位姿投影沿着同一个物体对照,才能看出各个中间结果在表达什么。

weixin_42605076的博客 355

目标检测上机实战手册——四套环境、COCO 数据坑与训练闭环验证全清单

跑目标检测项目,难的不是"看懂原理",而是"跑通并确认它真的跑对了"。这份手册把 Faster R-CNN、Mask R-CNN、YOLO v3、YOLO v1 四个上机项目里所有工程层面的坑一次性整理出来:环境怎么隔离、COCO 标注怎么转、训练一 batch 到底在验证什么、哪些数字能看哪些不能信。

anew___的博客 182
上一篇: 保姆级教程:用清华源5分钟搞定PyTorch环境(Python3.6/CUDA11.1特别版)
下一篇: 从零配置Zephyr开发环境:west+JLink+pyocd最新组合配置详解(2023版)
python9snake
博客等级 码龄1天 0粉丝 1724原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
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
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