qq_53092944的博客

save txt"""Arguments:Returns:"""# 计算指标的关键函数之一# iou：[0.5:0.95]，10个不同的iou阈值下，计算标签与预测的匹配结果，存于矩阵，标记是否预测正确def run(data,......):"""# 函数run()的处理流程如下：1. 加载模型；2. 加载数据；3. 网络预测，NMS处理；4. 计算AP，mAP；5. 绘制指标图；6. 保存结果；"""# 运行相关参数定义# 入口函数。

为了完成一个深度学习目标检测的全过程，会按照以下顺序进行：①配置部分（yolov5s.yaml）：用于确定yolov5的网络结构和参数②工具部分（yolo.py、common.py）：提供一些函数，用于辅助后续部分③训练部分（train.py）：首先，使用训练部分的代码（train.py）来训练模型。④验证部分（val.py）：使用验证部分的代码（val.py）来评估模型在验证数据集上的性能。

一、创建虚拟环境二、激活/使用/进入某个虚拟环境三、退出当前环境四、复制某个虚拟环境五、删除某个环境。

关于深度学习目标检测，有许多概念性的东西需要先了解一下。这里主要以基于深度学习的目标检测算法的部署实现来学习。

我想完整的记录一下一个新手接触深度学习和yolo算法完成目标检测任务的全过程，包括基本软件环境的下载安装、训练集的准备和处理、训练的过程、参数的调整、性能的分析，以及模型的部署这几个方面。

对于图像的分析，传统的检测任务，比如这幅图的人，用标注框来表示。而图像分割，则是针对每一个像素都可以被认定为不同的语义信息，比如这里红色区域的像素点属于人，蓝色属于天空，浅绿色属于草地，深绿色属于树木。①给出了基于CNN的图像分类和演化概况。②详细探讨了一些基于CNN的流行的最先进的分割模型。③比较这些模型的训练细节，以便清楚地了解超参数调优。④比较这些最先进的模型在不同数据集上的性能指标。

先看一下总的来说，.github文件夹中的内容主要用于规范化GitHub 仓库的管理流程，提高团队协作效率，以及利用GitHub Actions 实现自动化构建和部署。这些配置文件和设置有助于提升项目的质量和可维护性。所以这个文件夹一般来说不重要，可以不看。我认为yolov5的源码基本以两个部分的文件为核心，一个是.yaml文件，另一个是.py文件yaml文件一个是关于数据集的配置，一个是关于神经网络结构的配置。.py文件一个是关于一些工具类的配置，一个是关于推理、训练、验证方面的配置。

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档。

题目：《基于 Transformer 的车辆轨迹预测及变道意图识别方法研究》-吉林大学都业铭本文改进了 Transformer 模型， 在 Argoverse 数据集、NGSIM 数据集上分别设 计了新的模型结构， 可以分别完成预测车辆行驶轨迹和车辆换道意图识别任务。

论文题目：《面向自动驾驶场景的多传感器环境感知系统研究》-中国矿业大学，朱良钦主要目的是快速熟悉自动驾驶方向的一些专业名词与基本概念。主要研究内容如下：（1）针对车道线检测任务，提出图像与点云融合的检测方法，在二维图像分割器的基础上， 将检测结果映射到点云中,获取更丰富的深度信息。在图像分割模型上，采用轻量化卷积网络提取特征， 提升特征提取的效率， 并添加跨通道联合注意力模块和改进的空洞空间卷积池化模块， 加强局部细节特征的提取。

以下为《汽车驾驶自动化分级》具体标准：0 级驾驶自动化（应急辅助）驾驶自动化系统不能持续执行动态驾驶任务中的车辆横向或纵向运动控制，但具备持续执行动 态驾驶任务中的部分目标和事件探测与响应的能力。需要指出的是，0级驾驶自动化不是无驾驶自动化，0级驾驶自动化可感知环境，并提供报警、辅助或短暂介入以辅助驾驶员（如车道偏离预警、前碰撞预警、自动紧急制动等应急辅助功能）。此外，不具备目标和事件探测与响应的能力的功能（如:定速巡航、电子稳定性控制等）不在驾驶自动化考虑的范围内。

epoch：训练的轮数gpu_mem:显存占用box、obj、cls：盒子损失（box loss）、目标损失（object loss）和分类损失（class loss）labels：平均每轮训练中出现的标注框的个数img_size：画面尺寸后面是显示的进度条，每一轮训练所需的时间，处理速度。训练结束：记录训练完成的信息，包括完成的周期数和训练所花费的时间。如果当前模型是最佳模型，则再次在验证集上验证评估，计算结果并保存相关信息。