- 博客(99)
- 收藏
- 关注
RSS订阅原创 自训练yolo模型自主学习性能持续提升思路
能力实现方式自主发现未知样本不确定性评估（置信度 + 一致性）获取新知识人工标注 + 伪标签越用越聪明增量训练 + 旧数据回放防遗忘混合训练 + 小学习率 + 知识蒸馏（可选）✅当前最可行路径YOLOv8 + 主动学习（人工审核不确定样本） + 增量训练—— 这已在工业质检、安防监控等场景落地。
2025-12-25 16:51:18
523
原创 以目标检测基础知识学习分割模型算法
不易：抓住“特征提取+损失优化+工程流程”的不变核心，复用YOLOv8经验；简易：以YOLOv8-seg为基线，快速跑通端到端流程，避免复杂；变易：针对标注、损失函数、解码器等差异点，动态迭代优化，实现从“会用”到“用好”的跨越。这套路线的核心是**“知识迁移”**，让你无需从零开始，而是站在YOLOv8的肩膀上快速掌握语义分割。需要我帮你整理一份YOLOv8-seg入门训练配置清单，包含数据集格式、训练参数和评估指标的具体设置吗？
2025-12-21 23:09:10
821
原创 WebApi 部署到win7 IIS详细步骤
你现在拥有一个部署在客户端上传/下载/删除定时清理（由客户端触发）配置化目录本地日志排查💡重要提醒：Windows 7 已于 2020 年终止支持，切勿暴露此服务到公网，仅限内网使用。如需一键部署脚本或完整项目模板，可告知！
2025-12-10 18:13:35
769
原创 C# 项目源码进行全面的技术架构和调用逻辑分析。以下是系统性的技术方案
需要的是对现有项目源码进行全面的技术架构和调用逻辑分析。代码解析和AST分析// 使用Roslyn编译器进行深度分析// 加载项目进行分析// 分析语法树// 进行深度语法分析推荐技术栈工具 用途 输出结果NDepend 架构依赖分析 依赖矩阵、架构图ReSharper 代码结构分析 代码质量报告PlantUML 可视化生成 架构图、序列图SourceGraph 代码搜索导航 调用关系图第一阶段：项目结构扫描。
2025-12-04 09:33:58
637
原创 Transformer-based 跟踪、BEV感知
BEV（鸟瞰图）是从垂直俯视视角表达场景的表示方式，将3D世界投影到2D平面（X-Y平面），忽略高度（Z轴）或将其编码为通道。在自动驾驶中，BEV 是统一多传感器、多视角信息的理想中间表示。Transformer-based 跟踪：通过全局注意力机制实现更稳定、准确的多目标跟踪，显著提升轨迹质量，对行为分析至关重要。BEV感知：提供统一、尺度一致的场景表示，极大简化空间关系判断（如压线、变道、闯红灯），是智能交通感知的“黄金标准”。
2025-11-28 14:36:07
363
原创 VS2017 环境变量设置不完整。错误信息明确指出需要设置 DISTUTILS_USE_SDK=1
这个错误是因为 VS2017 环境变量设置不完整。错误信息明确指出需要设置 DISTUTILS_USE_SDK=1。解决方案方案 A：设置完整的环境变量。
2025-11-12 13:58:25
485
原创 视频图像语言化存储以实现文字搜索
将视频图像语言化存储以实现文字搜索，核心是通过大模型将视频中的视觉信息转化为结构化的文本描述（即“图像语言化”），再基于文本检索技术实现文字查询。
2025-10-31 17:59:05
410
原创 Win10 系统构建仿真 NVIDIA Jetson Orin Nano 环境部署 YOLOv8 模型
通过上述基于WSL2 + Docker + TAO Toolkit 容器的方案，您可以在 Win10 系统上成功构建一个高度仿真的 Jetson Orin Nano 软件开发环境。✅ 模型转换与优化✅ 功能正确性验证✅ 算法逻辑调试✅ 部分性能参考当拿到真实的 Jetson Orin Nano 设备后，只需要将验证过的代码和 ONNX 模型拷贝过去，在 JetPack 系统上重新执行最后的引擎生成步骤，即可快速完成最终部署。这极大地减少了在真机上的调试时间。
2025-10-24 17:42:26
962
原创 win10系统前期验证部署linux系统 rknn模型
主战场在Windows：使用完成90%的模型和算法逻辑调试。确保输入->模型->输出整个链路在仿真下完美运行。使用版本控制：用Git管理你的代码、模型和调试脚本。清晰地标记出在PC和板端使用的不同版本。善用文件传输工具：使用WinSCPMobaXterm在Windows和开发板之间轻松传输文件和文件夹。善用SSH客户端：使用MobaXterm或PuTTY登录开发板执行命令和运行Python脚本。日志是你的眼睛：在代码中大量使用print。
2025-10-24 17:31:57
1060
原创 Visual Studio 2017（VS2017）可以编译 OpenCV 4.5.5 为 32 位（x86）版本
可以！VS2017 完全支持编译 OpenCV 4.5.5 的 32 位版本，只需在 CMake 中正确指定生成器为并加上-A Win32。如需我提供完整批处理脚本（.bat）或带的配置命令，请告诉我。
2025-10-17 18:26:15
391
原创 PNNX + TorchScript + 手动修改后处理逻辑，最终输出适配 NCNN官方 yolov8.cpp
根据说明https://github.com/Tencent/ncnn/blob/master/examples/yolov8.cpp请根据以下说明，给出yolov8n.pt模型转换为ncnn模型，详细步骤与脚本代码：////根据你提供的详细说明，以下是将yolov8n.pt模型转换为的的完整步骤与脚本代码。整个流程基于，最终输出适配 NCNN 官方yolov8.cpp推理格式的模型。
2025-10-16 18:03:51
602
原创 CPU 上用 C++ 调用 ONNX 模型进行推理，对模型进行 INT8 量化
步骤操作1用导出标准模型（无 NMS）2准备校准数据（320x320 图像，numpy 格式）3用生成 INT8 ONNX4C++ 用 ONNX Runtime 加载int8.onnx模型推理这样你就能在环境下实现INT8 量化加速。
2025-10-09 16:25:56
1018
原创 error downloading packages: vsftpd-3.0.2-29.el7_9.x86_64: errno 256 No more mirrors to try
问题解决方法CentOS 7 EOL 导致原镜像失效无法下载 vsftpd更换为源缓存错误执行执行完上述步骤后，应该可以成功安装。如有其他报错，请贴出完整信息，我可以继续帮你分析。
2025-09-24 18:43:31
425
原创 yolov8n训练的模型是imgsz=640，推理时使用320，对比原始图像2560×1440与2592×1904效果
原始尺寸缩放后有效区域填充区域占比有效像素利用率推理效果预期320 × 180上下大黑边56.25%⬇️ 较差235 × 320左右小黑边73.4%✅ 更好✅有效像素利用率越高 → 输入模型的“真实图像内容”越多 → 特征越丰富 → 检测效果越好。
2025-09-23 17:53:30
840
原创 RK3588 国产NPU边缘盒子 与Jetson Orin Nano 8GB 有何区别
Jetson 性能更强、生态更好，适合高端应用；RK3588 成本低、功耗低，适合大规模低成本部署。
2025-09-18 10:46:22
1270
原创 FileZilla 日志显示 530 Login incorrect
项目状态📡 网络连接✅ 成功（收到 220 欢迎消息）🔐 登录认证❌ 失败（530 Login incorrect）💡 根本原因⚠️ 用户名/密码错误、用户被禁用、或配置限制。
2025-09-12 14:29:53
991
原创 边缘设备解释
边缘设备 = 数据产生的地方附近的“小型智能计算设备”它不是云端服务器，而是靠近摄像头、传感器等数据源的“本地大脑”。🧠 类比：你的眼睛看到画面 → 大脑立刻反应要不要躲开 → 这个“反应”发生在“你身体本地”，而不是先把视频传到千里之外的服务器再等指令回来。这就是“边缘计算”的思想。边缘设备就是一个“在现场的小型智能计算机”，能在数据产生的地方立刻做出判断，不需要联网等待。它不是单纯的“算法盒子”，而是集成了硬件 + 操作系统 + AI 模型智慧城市（交通监控）工业自动化（缺陷检测）
2025-09-12 09:51:33
1053
1
原创 yolo调用多个模型提高效率优化方案
当一个模型的推理（例如：先用模型 A 检测人，再用模型 B 在检测框内检测人脸），这种串行结构天然会增加延迟。要让整体速度接近“调用一个模型”的速度，就需要从等多个维度进行优化。
2025-09-09 09:00:27
1087
原创 YOLO 数据集-数据清洗
好模型 = 好数据 × 好训练训练后分析失败案例 → 反向优化数据每迭代一轮模型，都复查一批“误检/漏检”对应的原始数据完整的数据清洗 Python 脚本（.py 文件）YOLO 格式检查工具自动化清洗 pipeline欢迎继续提问！祝你头盔检测项目成功落地 🚀。
2025-09-05 18:13:44
1206
原创 yolov8部署在一台无显卡的电脑上，实时性强方案
项目推荐方案模型选择✅ YOLOv8n推理引擎✅ ONNX + ONNX Runtime（CPU 优化）输入分辨率640×640（训练），可 480×480（推理提速）实时性✅ 可达 15~25 FPS，满足基本实时后处理添加“人有头但无头盔”逻辑判断部署方式脚本遍历文件夹 / 接入摄像头视频流。
2025-09-05 17:13:01
2222
原创 YOLO 目标检测中三个关键参数置信度 IOU imgsz
置信度是模型对“某个检测框是否真实存在目标”的可信程度评分，取值范围为0 ~ 1。值越高，表示模型越“自信”这个框里有目标。值越低，表示模型认为可能是噪声或模糊目标。IoU 是两个边界框（Bounding Box）之间的重叠程度IoU = 交集面积 / 并集面积0 ~ 10：完全不重叠1：完全重合推理时输入模型的图像尺寸，通常是一个正方形尺寸，如640x640。YOLO 模型在训练时使用固定尺寸输入，推理时也需要将图像缩放到该尺寸。参数全称作用默认值推荐值调整影响conf。
2025-08-26 17:07:05
1074
原创 三种方案对比（针对 YOLOv8n检测非机动车未戴头盔 + 实时视频流）
需求推荐方案实时视频流处理✅ 单检测模型 + 比例估算头部最高精度（离线分析）✅ 双检测模型（rider + head）高精度 + 实时⚠️ 姿态估计（需更强硬件）🔥你当前场景：实时视频流 + YOLOv8n → 选择“单检测 + 比例估算”是最佳平衡点完整的实时视频处理 Python 脚本（含摄像头读取、推理、裁剪、保存）如何用 OpenCV 优化图像处理流水线如何打包成 Flask API 或边缘设备部署欢迎继续提问！你已经非常接近一个高效、实用的实时头盔检测系统了 🚀。
2025-08-20 17:21:41
969
1
原创 YOLOv8n-pose 模型使用
你可以直接使用官方预训练的精准定位骑行者头部关键点生成 tight bounding box裁剪出“只含头部”的图像判断是否未戴头盔并保存开箱即用、模块化、无需从头训练。
2025-08-20 17:18:29
732
原创 yolov8检测实时视频流，裁剪出未戴头盔的头部方案
步骤关键点1. 定位骑行者YOLOv8n 检测rider2. 定位头部✅ 姿态估计（推荐）或 ❌ 比例估算3. 裁剪头部根据关键点生成 tight bbox4. 分类判断YOLOv8n-cls 判断是否戴头盔5. 保存图像只保存no_helmet的 head_crop。
2025-08-20 16:44:09
750
原创 （双类别检测：电动车 + 头部，再对头部分类）VS 单类别检测 + ROI 分类器 方案
对比维度当前方案（检测头部）推荐方案（检测整体 + 分类）检测目标大小小（头部）大（人+车）检测难度高（小目标、遮挡）低（YOLO 擅长）标注成本高（需标头部）低（只标整体）扩展性差（每新增部位都要检测）好（只需新增分类器）系统耦合度高（检测与分类强耦合）低（模块解耦）实际准确率易受误检/漏检影响更稳定，分类精度高是否需要匹配逻辑是（头与车匹配）否（天然对应）
2025-08-20 16:03:09
1150
原创 YOLOv8训练分类模型classify 模式具体步骤
准备数据：裁剪helnohel区域，按文件夹存放。创建data.yaml：定义数据路径和类别。开始训练监控结果：看中的。使用模型：用best.pt文件在代码中进行分类。整个过程非常直观，YOLOv8 为你处理了绝大部分复杂性。祝你训练顺利！
2025-08-19 11:01:26
1480
原创 yolov8 单类别+分类器”准备数据集，现有的数据集如何高效地被利用
完全可以使用你现有的数据集。一个脚本将helnohel标签合并为helmet，生成检测模型的训练集。另一个脚本根据helnohel标签裁剪出图像区域，按文件夹存放，生成分类模型的训练集。这样，你就能无缝地从“三类别联合检测”方案过渡到更优的“单类别+分类器”方案。
2025-08-19 11:00:35
647
原创 yolov8方案对比：三类别联合检测 vs. 单类别+分类器
这是一个非常好的问题，直接关系到系统设计的核心架构。我们来深入对比你当前的和，并从多个维度分析哪种方案的检测效果会更好。
2025-08-19 10:59:22
826
原创 方案：单类别 + 分类器，具体如何操作，目前训练模型分成三个类别：hel、nohel、wheel
这是最关键的一步。修改数据集标签将你数据集中所有标记为hel和nohel的边界框，统一改为一个新类别helmet。例如，原来一个戴头盔的骑手，他的头盔被标为hel；现在，你把这个框的标签改成helmet。一个没戴头盔的骑手，他的头部区域被标为nohel；现在，你也把这个框的标签改成helmet。wheel类别保持不变。重新训练 YOLOv8 模型使用修改后的数据集（类别为wheel和helmet）重新训练一个 YOLOv8 模型。这个新模型将只输出两种检测结果：wheel。
2025-08-19 10:46:41
681
原创 yolov8检测视频流三种类别：hel、nohel、wheel，测试有时同一个框同时出现两种类别hel和nohel，是不是应该去掉一个类别
方案是否推荐说明方案一：单类别 + 分类器✅ 强烈推荐最专业、准确率高，适合长期维护方案二：后处理互斥NMS✅ 推荐（临时修复）不改模型，快速修复双检问题方案三：去掉nohel类别✅ 推荐简单有效，适合大多数场景。
2025-08-19 10:44:32
574
原创 90% 的性能提升来自高质量数据，而不是模型调参
🔥“用 45 轮达到过去 600 轮都达不到的效果”不是异常，而是你做对了事情的奖励。你通过删除低质量数据更快的收敛速度更高的精度上限更强的模型泛化能力先做好数据，再谈模型。📌“一个干净的小数据集，胜过一个混乱的大数据集。继续坚持数据清洗 + 模型迭代，你的模型会越来越强！💪需要我帮你写个脚本，自动识别“低置信度检测”或“漏检高风险图像”用于下一轮数据补充吗？🔍✅。
2025-08-18 14:07:35
644
原创 2025年最新版 YOLOv8 自动超参调优方法
method: bayes # 支持: random, grid, bayesmetric:lr0:min: 1e-5max: 1e-2hsv_h:min: 0.0max: 0.1hsv_s:min: 0.5max: 1.0fliplr:min: 0.0max: 0.8degrees:min: 0.0max: 30.0mosaic:min: 0.5max: 1.0mixup:min: 0.0max: 0.3imgsz:batch:问题解决方案。
2025-08-15 13:47:21
527
原创 使用合成数据生成工具（如 GANs）扩充Yolo数据集
以下是详细的解决方案，包含7步操作流程和推荐工具：步骤2：3D模型生成（Blender方案）获取头盔3D模型：批量渲染脚本：步骤3：GAN生成未戴头盔头部（StyleGAN3方案）步骤4：场景合成（Albumentations高级增强）步骤5：自动标注（SAM + GroundingDINO）步骤6：质量验证管道步骤7：合成数据注入训练三、现实场景优化技巧光照匹配技术：物理合理性校验：使用物理引擎验证头盔佩戴角度检测头盔与头部的接触点速度模糊效果
2025-07-30 18:32:36
939
原创 基于YOLO训练的模型进行微调时，学习率（lr0）的设置确实需要参考之前的训练最后一轮的学习率
在基于自己训练的模型进行微调时，学习率（）的设置确实需要参考之前的训练情况，尤其是最后一轮的学习率。这是因为模型已经经过了一定程度的训练，权重已经接近目标分布，此时如果直接使用较大的学习率，可能会破坏已有的知识，导致模型性能下降。以下是具体的分析和公式建议：假设：微调的初始学习率通常是上一轮学习率的一个小比例（如 1/10 或 1/100）。公式如下：lr0=lr_prev×α\text{lr0} = \text{lr\_prev} \times \alphalr0=lr_prev×α其中：如果你知
2025-07-17 12:02:27
1158
原创 YOLOv8微调继续训练损失值及mAP50-95应与之前训练最后一轮值基本一致
要回答“YOLOv8微调继续训练时，损失值及mAP50-95是否应与之前最后一轮基本一致”的问题，需结合。（学习率、数据增强、batch size等），继续训练的第1轮损失和mAP应与之前最后一轮。（如损失突然上升0.1以上，mAP下降0.03以上），则可能是。（仅受数据随机性影响，如batch组成、数据加载顺序）。恢复后训练的第1轮，如总轮次的第301轮），（如学习率突然翻倍）导致的异常。（如优化器状态未正确加载）或。即使完全恢复参数和状态，（优化器、学习率等）和。若继续训练的初始轮次。
2025-07-17 11:56:34
727
原创 优化YOLOv8模型的微调训练效果
减少梯度波动，提高训练稳定性，缩小训练/验证损失差距。：减少模型对训练数据的过度拟合，提升验证集泛化能力。：使用更适合微调的优化器，提高学习率的自适应能力。（训练/验证损失差距、后期指标平稳），从。（如小批量、固定学习率、弱数据增强）和。以上调参建议基于YOLOv8的。，适应微调需求，避免过拟合。：增加数据多样性，让模型适应。等核心问题，逐步提升模型的。要优化YOLOv8模型的。
2025-07-17 11:53:57
2219
1
原创 yolov8模型微调时为何选择last.pt而非best.pt
（150轮）是更好的选择，因为它避免了后期过拟合的影响。但从用户的曲线来看，（如余弦退火的当前学习率）。（150轮0.58→200轮0.60），说明模型在。（200轮的结果）来看，last.pt。（如AdamW的动量、自适应学习率）和。用户的曲线显示，mAP50-95(B)（如验证集损失在150轮后持续上升，结合用户的曲线，last.pt。（150轮后保持稳定），说明。≈0.78）与训练集损失（用户的验证集关键指标（如。要回答“微调时为何选择。若用户的训练曲线显示。
2025-07-16 09:55:27
1025
原创 Windows 7 环境下发布Python程序的 _socket 模块加载错误
目标系统是 Windows 7报错：Traceback (most recent call last):pyi_rthookinitImportError: DLL load failed while importing _socket: 参数错误。针对 Windows 7 环境下的_socket模块加载错误，我们需要专门的解决方案。
2025-07-07 18:31:26
570
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人