酸梅果茶的博客

命令安装的是最新版本，python3.6不支持。所以找一个python3.6支持的版本。python3.6安装opencv遇到报错。

论文链接：https://arxiv.org/abs/2207.02696GitHub 链接：https://github.com/WongKinYiu/yolov7代码更新于2022.07.11，最新源码请参考上述作者源码。本文测试代码下载链接：https://gitee.com/zhankun3280/yolov72. 下载权重文件下载链接：https://pan.baidu.com/s/1wfZGZjShb-drQVu1rkMu8g?pwd=xi7j 提取码: xi7j也可以缺什么补什么。

源码下载：https://gitee.com/zhankun3280/my_yolov5-6.01、依赖环境ubuntu 18.04python 3.6.9opencv 4.5.0pytorch 1.9.0torchvision 0.10.02、准备数据集链接: https://pan.baidu.com/s/1TqCX5nRPXIZ1jbyaye3e3A 密码: 9fr63、训练数据相关工作（1）解压数据集，放在yolov5-6.0根目录下（2）删除ImageSets文件夹下的

一、资源获取源码：https://github.com/Megvii-BaseDetection/YOLOX原文：https://arxiv.org/abs/2107.08430我的测试代码：二、测试步骤python最好大于3.5（我的3.5有部分库无法下载）pytorch下载最新的吧（我的1.5.0不太行，换成1.9.0的了）# 先卸载原torch、torchvision再安装pip install torch torchvision -i https://pypi.mirrors.u

无论是自己写的串口小助手，还是安装的cutecom，都可能会出现找到串口但总是打开失败。一个很重要的原因是：当前用户没有root权限所以，加上sudo即可。sudo cutecomsudo python3 XXX.py

安装labelmesudo pip install labelme有可能会报错，E: 无法定位软件包解决办法：更新系统，升级系统软件。sudo apt-get updatesudo apt-get upgrade标注数据输入labelme打开软件，选择文件夹，保存文件夹，对图片进行标注。批量转换json文件单个json文件转化：labelme_json_to_dataset XXX.json批量转化：新建一个脚本文件：genejson.shtouch ge..

检测图片分辨率：import cv2path = "H:/desktop/0000_train_record/lane_520img_20200707_yolov5/yolov5-master/data/images/lane_000233.jpg"img = cv2.imread(path)sp = img.shapeheight = sp[0] # height(rows) of imagewidth = sp[1] # width(colums) of imagechanael

具体原理及原文理解，可参考：PolyLaneNet：最新车道线检测开源算法，多项式回归实时高效论文地址：https://arxiv.org/pdf/2004.10924.pdf代码地址：https://github.com/lucastabelini/PolyLaneNet推动自动驾驶技术取得巨大进步的主要因素之一是深度学习技术的出现。对于更安全的自动驾驶汽车来说，目前尚未完全解决的问题之一是车道检测。因为这个任务的方法必须是实时的(+30帧/秒)，它们不仅必须是有效的也必须是高效的(例如

使用opencv按一定间隔截取视频帧，并保存为图片。import cv2vc = cv2.VideoCapture('111_2.flv') # 读取视频文件，修改为自己的文件名c = 0print("------------")if vc.isOpened(): print("yes") rval, frame = vc.read()else: rval = False print("false")timeF = 30 # 视频帧计数间隔whi

本文仅仅是在windows、CPU上做的简单测试。YOLOv5的训练更简单，简洁。data文件夹需要注意的是，images文件夹存放的是原始图片。这几个文件名的命名方式必须是这样。如果想自定义文件夹名称，train.py等文件需要修改源码，比较麻烦。 （images这个文件夹与YOLOv3命名不一样，我没注意这个问题，结果就报错了）models文件夹训练各个文件内容检查无误后，就可以训练了。在yolov5-master文件夹下运行：python train.py --dat

YOLOv4基于darknet的训练过程与yolov3的训练过程基本一样。包括一些文件夹，需要修改的文件以及需要修改的参数都是一样的。本文简单记录一下自己YOLOv4的训练过程，稍微详细版可以参考【YOLOv3】基于darknet的训练过程（简洁版）（一）测试工作下载yolov4.weights、yolov4.conv.137，修改makefile文件等等，进行测试。目的就是：看看官方例程能不能跑通，能跑通，就可以继续训练自己的数据集了。（二）准备数据集darknet-master\build

记录一下学习笔记。这是一种传统方法，经过简单测试（cpu）帧率。测试项目Value原始代码1帧左右去掉相机校正部分6帧左右去掉5个阈值过滤部分15帧左右加车道线类型检测部分1.2帧左右Created with Raphaël 2.2.0开始获得一帧图像左右车道线初始化根据ROI求得透视变换矩阵及逆矩阵阈值过滤（HLS、LUV、Lab）透视变换检测车道线画出车道线区域车道曲率及偏离距离计算显示道路曲率及偏离距离pipeline.py# -*- codi

截取一段程序，便于观察帧率是怎样计算的。【记性不好，留着备用】if __name__ == '__main__': # 打开视频 CAPTURE = cv2.VideoCapture('video.mp4') fourcc = cv2.VideoWriter_fourcc(*'MJPG') outfile = cv2.VideoWriter('output.avi', fourcc, 25., (1280, 368)) # 循环处理每一帧 while CAP

yolov5代码链接：Github本文的精华：YOLOv5训练权重链接：https://pan.baidu.com/s/1n_p3Z7pGNdVYgdbJLzK70g提取码：gyr9YOLOv5文件链接：https://pan.baidu.com/s/1LVkYlXJ9upnGvJ3VLA00Gg提取码：r8tc环境配置：python3.5.2（可用）、python3.6、python3.7均可GPU 、CPU、ubuntu、windows均可torch>=1.4.0 &

《Lane Detection and Classification using Cascaded CNNs》本文为效果复现过程，详细理论知识请阅读原文。本文提到的方法主要是两个CNN网络，实现了车道线检测和车道线分类。效果还不错，实时效果还未测。https://arxiv.org/pdf/1907.01294.pdf作者提供的源码，请参考https://github.com/fabvio/Cascade-LD我复现的代码，百度云链接：https://pan.baidu.com/s/1pDleEN0

PINet车道线检测是什么，就不用多介绍了，可以看看原文，重点讲解一下效果复现过程。https://arxiv.org/pdf/2002.06604.pdf可以下载Github上的源码，也可以下载我上传百度云的源码。链接：注意：Github上的有部分小问题，比如代码缩进等等（可能是作者上传的时候没有注意吧），需要自己修改一下。百度云上的是我自己测试过的，在服务器上跑的，没有问题。Ubuntu18.04、GPU、CUDA（CPU的没测试过）python3.5基本库都装好了，比如pytorch

版本：windows_v1.8.1链接：https://pan.baidu.com/s/1hCguwHNtHnhCnwLimgUbIQ提取码：w06j出现以下这种问题，就是路径中有中文字符。修改成英文路径即可正常运行。

import osclass BatchRename():#定义函数执行图片的路径 def __init__(self): self.path = 'images'#修改为自己的图片路径 #定义函数实现重命名操作 def rename(self): filelist = os.listdir(self.path) total_num = len(filelist) i = 0 for item in f

原始图片（即需要变换的图片）透视变换代码# -*- coding:utf-8 -*-import cv2import numpy as npimport matplotlib.pyplot as plt# 计算透视变换参数矩阵def cal_perspective_params(img, points): # 设置偏移点。如果设置为(0,0),表示透视结果只显示变换的部分（也就是画框的部分） offset_x = 100 offset_y = 100 ..

遇到问题：用YOLO训练自己的数据集，在训练集图片上，测试效果很好，换成测试集图片或者其他图片，测试效果极差。而且10000次就开始收敛了，然后又继续训练到50000次，这个过程Loss值一直稳定0.1左右，不再下降——经过查阅资料，最大可能性就是过拟合了。（一）过拟合现象有时我们发现，模型在训练集上效果很好，但是在测试集上效果不好，这种现象称为过拟合（二）解决办法1.增加样本数据量2.数据增强，人为扩展数据量3.正则化： 正则化之所以能够降低过拟合的原因在于，正则化是结构风险最小化的一种策.

之前用anaconda安装过pytorch。可是如果不想安装anaconda怎么安装呢？下面介绍一种简单可靠的方法。下载。注意与自己python版本对应。https://download.pytorch.org/whl/torch_stable.html比如我的python3.5.2，那么就是上面的版本。同时我下载的torch是0.4.0版本。下载完成后，在文件同级目录打开终端，运行指令。 pip install torch-0.4.0-cp35-cp35m-win_amd64.whl

本文是LaneNet车道线检测效果复现，不涉及原理讲解部分。开门见山，上链接：链接：https://pan.baidu.com/s/1yxJNDdR1y4ixW62gDuDawQ提取码：hcwi关于LaneNet算法，网上有很多资料，Github上面也有很多，可能是自身检索能力有限，捣鼓了几天，迟迟不能复现代码的效果。主要原因就是某些文件找不到，下载不下来。现在相关文件均放在百度网盘里面了。windows系统python3.5.2相关库具体版本见requirements_new.txt.

文章目录准备工作训练自己的数据集开始训练准备工作参考链接：https://pjreddie.com/darknet/yolo/下载darknet修改Makefile下载yolov3.weights下载darknet53.conv.74（后面训练数据集会用到，先下载好了，留着备用）测试#1. 下载`darknet`git clone https://github.com/pjreddie/darknet#2. 修改`Makefile`cd darknetmake#3. 下

目的：将LaRa交通信号灯数据集解析成VOC格式。分为四类：‘Traffic_Light_go’, ‘Traffic_Light_stop’, ‘Traffic_Light_ambiguous’, ‘Traffic_Light_warning’数据集下载链接：http://www.lara.prd.fr/benchmarks/trafficlightsrecognition打开官网，如下图，下载数据集，一共9168张图片。将下面标签信息保存在label_old.txt文件夹中。从官网.

安装时间：2020.05.29系统：Ubuntu 18.04python版本：3.6.9注意：安装各种软件包一定要注意版本，稍不留神就是各种错误。首先，使用sudo pip3 install PyQt5发生错误。原因就是安装的是最新版本，不兼容。所以，需要我们指定PyQt5的版本。sudo pip3 install pyqt5==5.12.0sudo apt install pyqt5* #安装pyqt5的依赖项sudo apt install qt5-default qttools5.

安装时间：2020.05.29系统：Ubuntu 18.04python版本：3.6.9安装tensorflowsudo pip3 install tensorflow -i https://pypi.douban.com/simple/注意： 下载过程中可能因为网速问题，下载不成功，多试几次就可以了。测试安装tensorflow版本import tensorflow as tfprint(tf.__version)...

拿到一批别人标注的图片，xml文件，想查看别人标注的具体情况，将xml里面的坐标，名称信息还原到原始图片中。# -*- coding: utf-8 -*-import xml.etree.ElementTree as ETimport os, cv2# 将路径换成自己的即可annota_dir = "C:/Users/Lenovo/Desktop/VOCdevkit/VOC2007/Annotations" xml文件保存的路径origin_dir = "C:/Users/Len.

本文为个人学习笔记总结，涉及部分图片、文字来源于网络，侵删~~文章目录YOLOv3的重要知识点YOLOv3的网络结构YOLOv3问题总结YOLO总结YOLOv3的重要知识点论文分为：Bounding Box Prediction、 Class Prediction、 Predictions Across Scales、Feature Extractor、Training几个部分展开叙述的。So get ready for a TECH REPORT!所以准备一份技术报告吧！Boundi.

本文为个人学习YOLOv2的总结（不含YOLO9000），图片和部分文字来源于网络，侵删~~首先从下面这张图入手，从图中可以看出，YOLOv2是一个个小实验堆砌成的。经过不断的优化过程，最终YOLO的mAP从63.4达到78.6。YOLOv2优化的点有：加入BN 层、使用高分辨率输入图片、使用anchor boxes、网络结构换成全是卷积网络、使用自己创建的主干网络darknet-19、用聚类方法找到先验框、坐标位置直接预测、加入passthrough层提取小物体的特征图、多尺度训练使用不同的分辨率.

问题描述：在阅读YOLO论文的时候，总是出现预训练(pretraining)以及微调(fine tuning)。那么问题来了：预训练是什么？为什么要用预训练？怎样预训练？微调是什么？为什么要用微调？怎样微调？（一）查询了网上的一些理解：参考链接：https://blog.youkuaiyun.com/abc13526222160/article/details/89320108?depth_1-什么是预训练和微调？你需要搭建一个网络模型来完成一个特定的图像分类的任务。首先，你需要随机初始化参数，.

某呼上是这样解释的：精确率(precision)和准确率(accuracy)是不一样的。实际上非常简单，精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)，也就是P=TPTP+FPP=\frac{TP}{TP+FP}P=TP+FPTP​而召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一..

本文主要记录YOLOv1的重要知识点、研读论文时产生的疑问问题及解决过程。本文出现的图片和部分文字源于网络，侵删~~文章目录1. YOLOv1重要知识点总结2. YOLOv1算法原理介绍3. YOLOv1网络结构图4. YOLOv1损失函数5. YOLOv1存在缺点6. 问题解决过程1. YOLOv1重要知识点总结输入图像尺寸：448×448将图片分成7×7个网格（grid cell）每个网格预测生成2个bounding box所以，整个图像含有7×7×2=98个bounding box.

网上介绍了一些常用的方法，捣鼓了好久，但是都没有成功。终于，找到了一种方法可以解决这个问题。参考链接：https://zhuanlan.zhihu.com/p/118601703，感谢大佬的文章！膜拜~import matplotlibimport matplotlib.pyplot as pltfrom matplotlib import rcParamsmatplotlib.u...

背景：最近写小论文，期刊要求图表坐标轴的刻度向内，查阅资料，有了一些新发现。import matplotlib.pyplot as pltx = [1,2,3,4,5]y = xplt.figure()# 坐标轴的刻度设置向内(in)或向外(out)plt.rcParams['xtick.direction'] = 'in'plt.rcParams['ytick.directi...

效果展示：源码示例：import matplotlib.pyplot as plt import numpy as np import pandas as pd # 1.产生数据（步长0.1取点）x = np.arange(-5,5,0.1)y = np.sin(2*x)# 2.创建一个窗口ax1 = plt.subplot(1,1,1,facecolor='white')...

问题背景：用tensorflow训练自己的数据的时候，训练一段时间后，出现TypeError: 'numpy.float64' object cannot be interpreted as an integer错误。电脑安装有numpy，版本为1.18.1电脑安装有pycocotools库查阅资料后，发现是numpy版本的问题。两种解决方法：方法一： 将numpy换成低版本，p...

文章目录一、个人申明二、电脑配置三、构建数据集步骤1：准备数据集步骤2：labelimg标注图片步骤3：图片标签统计步骤4：将XML文件转化成CSV文件步骤5：将CSV文件转化成tfrecord文件四、配置训练文件步骤6：配置my_label_map.pbtxt文件步骤7：配置object_detection文件步骤8：配置ssdlite_mobilenet_v2_coco.config模型步骤9...