yolov2 笔记

最新推荐文章于 2026-01-07 09:16:58 发布
原创 最新推荐文章于 2026-01-07 09:16:58 发布 · 103 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#YOLO #笔记

博客介绍了Python内置变量可获取当前脚本文件名（含完整路径）并以字符串返回，若从交互式解释器执行，变量有特定情况，还给出了im.db文件对应脚本路径示例。

1.__file__ 是 Python 内置变量之一，它用于获取当前 Python 脚本的文件名（包括完整路径），并将其作为字符串返回。如果 Python 脚本是从交互式解释器中执行的，则 __file__ 变量将为 None。

im.db文件返回'C:\\Pro\\pythonProject\\yolov2.pytorch-tztztztztz\\dataset\\imdb.py'

Rondox
关注
YOLOv5学习笔记（一）
tryflyhigh的博客
04-26 1331
本文结合小土堆的教学视频​​​​​​​进行学习。
深度学习【58】物体检测：yoloV2笔记之训练
DCD_LIN的博客
08-30 2199
之前基于yoloV2做过一段时间的物体检测，当时对yoloV2整个框架了如指掌。由于没有及时写笔记记录一下，现在回过头来很多东西都快忘光了。本篇博客不会记录如何使用darknet训练yoloV2，而更注重的的是整个yoloV2的算法，以及其中的一些细节。废话不多说，我们直接开始。 物体检测训练主函数 yoloV2的训练函数主函数在examples/detector.c中的train_det...
YOLOv2 笔记
weixin_42102248的博客
10-16 515
说明 1.本文是博主的学习记录，主要为了方便以后查看，当然如果能为别人提供帮助就更好了，如果有不对的地方请指正 2.本文重点是了解YOLOv2在YOLO的基础上做了哪些改进，尽量用较少篇幅表达清楚论文整体思路，其他一些不影响理解论文算法的东西有需要的请查看其他博客 3.论文中的链接是我经过大量搜索，个人认为讲解最清楚的参考，看本文的过程中如对一些名词有疑惑可以直接点击参考链接 原论文 代码 论文翻...
YOLOV2学习笔记
qq_43234191的博客
02-06 584
YOLOV2学习笔记
yolov8笔记
2301_78648299的博客
01-07 560
在日常的工作中我们不会全部用到yolov8所绘制出来的图像，我们只需要我们关注的几个部分，所以必须要学会自己绘制。
Yolov10笔记
Goodness2020的博客
06-01 1535
Yolov10笔记和代码解读
YOLOv2论文学习笔记
hjhr2018的博客
06-05 861
（CVPR2017）
yolov2学习笔记
2302_79365810的博客
07-20 1019
在yolov1中，每个grid cell有两个bounding box，bounding box的中心坐标由它与grid cell的中心的偏移量确定，但因为偏移量可能很大，所以bounding box的中心不一定被限制在grid cell中，也就是它属于grid cell1，但它的中心有可能落在grid cell2中。聚类算法最重要的是选择如何计算两个边框之间的“距离”，对于常用的欧式距离，大边框会产生更大的误差，但我们关心的是边框的IOU。最常见的检测数据集包含数千到数十万张带有数十到数百个标签的图像。
Yolov8笔记
test
09-06 2476
1、安装最新的，安装过程选上“添加环境变量”2、“conda --version”，确认环境变量生效。第一遍没有弹出来，手动cd过去“_conda --version”就有了，再之后全局就正常了3、conda自带的python如果不能全局变量，并且调起了微软商店。需要把环境变量里WindowsApps排在anaconda3后面4、在Anaconda prompt里conda create -n yolov8 python=3.12，基于python版本生成环境，conda安装时有选择。
YOLOv2论文笔记
小熊猫的博客
07-24 7200
升级版 YOLO v2 为提高物体定位精准性和召回率，YOLO作者提出了 《YOLO9000: Better, Faster, Stronger》 (Joseph Redmon, Ali Farhadi, CVPR 2017, Best Paper Honorable Mention)，相比v1提高了训练图像的分辨率；引入了faster rcnn中anchor box的思想，对网络结构的设计进行...
yolov学习笔记-行人数据集
08-29
yolov学习笔记-行人数据集 本文档记录了 yolov5 学习笔记中的行人数据集部分，包括安装 Anaconda、复制 yolov5 代码、修改代码、安装依赖包、运行训练、数据标注、更改模型参数和数据参数等步骤。 一、安装 ...
YOLOv5训练笔记
11-03
YOLOv5训练笔记主要涉及的是使用YOLOv5模型进行目标检测的实践过程，包括环境配置、数据准备和模型训练。以下是对这些知识点的详细解释： 1. **环境安装**： - 首先，为了运行YOLOv5，需要创建一个Python虚拟环境...
深度学习【59】物体检测：yoloV2笔记之预测
DCD_LIN的博客
08-31 1065
yoloV2的预测代码在examples/detector.c中的test_detector函数中。具体步骤为： 1、模型、参数、待检测图片等信息的加载 2、图片resize，这里使用的是letterbox_image函数。与opencv的resize函数不同的是letterbox不会使物体变形。这边是移植到手机端的一个坑。 3、前向传播，获取网络输出，大小为13*13*425（假设，输入为...
Yolo-World和YoloE模型说明及测试
weixin_46747526的博客
01-04 361
文本到图像的生成：虽然CLIP本身不是一个生成模型，但它的编码器（Encoder）可以与生成模型（如GANs）结合，用于生成与文本描述相匹配的图像。跨模态对比学习：CLIP通过最小化正样本对（pair）之间的距离并最大化负样本对（pair）之间的距离来进行训练，从而学习图像和文本之间的相关性。它的作用主要包括：图像和文本的联合表示学习：CLIP通过在大量图像和文本对上进行预训练，学习将。CLIP模型因其强大的通用性和灵活性，在图像和文本的多模态任务中被广泛研究和应用。训练数据的情况下，识别或预测这些类别。
油茶果壳籽质量分类检测：基于YOLOv8-NMSFree的创新方案_1
duyinbi7517的博客
01-06 587
本文提出基于YOLOv8-NMSFree的油茶果壳籽质量分类检测方案，解决了传统人工检测效率低、主观性强的问题。通过构建包含5000张图像的数据集，采用无锚框检测机制和改进的非极大值抑制算法，模型在测试中达到92.7%准确率，推理速度提升35%。该系统已成功部署到生产线，实现了油茶果壳籽质量的自动化检测，为农业生产提供了高效可靠的技术支持。未来将进一步扩展数据集规模并探索半监督学习方法，持续提升检测性能。
基于yolov11实现车辆速度估计+距离测量+轨迹跟踪+区域进出统计python源码实现
FL1623863129的博客
01-06 574
速度估计：实时计算检测到的物体移动速度距离测量：估算物体之间的相对距离轨迹跟踪：记录并绘制物体的运动轨迹对象计数：统计特定区域内的物体数量在model_path：YOLOv11模型路径，默认使用yolo11n.pt（nano版本，速度最快）video_path：视频源，0表示摄像头，也可以是视频文件路径region：感兴趣区域，用于速度估计和计数classes：要检测的类别，默认检测所有类别。
基于深度学习的车型识别系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)
ningfoshao8678的博客
01-07 728
本文介绍了一款基于YOLO算法的车型识别系统，支持轿车、卡车、公共汽车和摩托车等多种车型识别。系统具备图片、视频、摄像头实时检测及批量处理功能，集成语音播报、结果导出等实用模块，并提供用户登录和模型训练功能。技术栈采用Python 3.10、PyQt5和SQLite，支持YOLOv5至v12多模型切换。测试数据显示，YOLO12n模型以40.6%的mAP表现最优，YOLO11n在CPU推理速度最快(56.1ms)。系统训练数据集包含19,000张图片，mAP@0.5达到70.8%，F1值为0.67，识别效果
使用YOLO11-C3k2-VSSD模型实现脐橙病害智能检测与分类，从数据准备到模型训练的完整指南
kisshuan12396的博客
01-06 728
本文提出了一种基于改进YOLO模型的脐橙病害智能检测方法YOLO11-C3k2-VSSD。该方法针对传统人工检测效率低、主观性强等问题，通过引入C3k2跨尺度特征融合模块和VSSD小目标检测策略，显著提升了脐橙常见病害（如溃疡病、炭疽病等）的检测精度。文章详细介绍了从数据采集标注、增强预处理到模型训练调优的全流程，并在实际果园测试中达到90%以上的检测准确率，可帮助果农及时防治病害，预计提高15%的经济效益。未来将进一步结合多光谱图像和移动端应用，为智慧农业提供更完善的解决方案。
类器官检测与识别：YOLO11-RepVit模型实战指南_1
最新发布
kisshuan12396的博客
01-07 919
YOLO11-RepVit是一个专为类器官检测与识别任务优化的先进模型。它结合了YOLO系列检测器的优势和RepVit架构的高效性，能够在保持高精度的同时，实现实时检测。本文详细介绍了类器官检测与识别项目中YOLO11-RepVit模型的实战指南，从环境准备、数据预处理、模型训练到评估优化和部署应用，全面涵盖了项目的各个环节。通过本文的介绍，我们希望能够帮助读者快速上手类器官检测与识别项目，避免常见的陷阱和问题。
yolov11笔记
04-25
### 关于 YOLOv11 的相关笔记、资料和教程 #### 1. 环境搭建指南 对于初学者来说，YOLOv11 的环境搭建是一个重要的环节。可以通过 `ultralytics` 库快速加载预训练模型并运行推理[^1]。以下是基本的环境配置流程： ...
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
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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