W1995S的博客

【代码】yolov8 onnx 推理。

此命令将预训练的 YOLOv3模型(默认yolov3.pt，或者yolov3-tiny.pt)导出为 ONNX、TorchScript 和 CoreML 格式。python models/export.py --weights weights/yolov3.pt --img 640 --batch 1输出：3 个导出的模型（yolov3.mlmodel , yolov3.onnx , yolov3.torchscript.pt）将与原始 PyTorch 模型一起保存推荐使用Netron View

YOLOv3.cfg文件解析[net]#Testing#batch=1#subdivisions=1# 在测试的时候,设置 batch=1,subdivisions=1#Trainingbatch=16subdivisions=4# 这里的 batch 与普遍意义上的 batch 不是一致的。# 训练的过程中将一次性加载 16 张图片进内存,然后分 4 次完成前向传播,每次 4 张。# 经过 16 张图片的前向传播以后,进行一次反向传播。width=416height=416

https://github.com/ultralytics/yolov3YOLOv5GPU 速度使用批大小为 32 的 V100 GPU 测量每张图像的端到端时间平均超过 5000 张 COCO val2017 图像，包括图像预处理、PyTorch FP16 推理、后处理和 NMS。EfficientDet 数据来自google/automl，批量大小为 8。重现通过python test.py --task study --data coco.yaml --iou 0.7 --weig

请参考：YOLOv5(ultralytics) 训练自己的数据集，VOC2007为例Fire Dataset:https://github.com/OlafenwaMoses/FireNET/releases/download/v1.0/fire-dataset.zip将数据下载在yolov5/my_data文件夹下，进行文件夹合并，弄成如下：1、ImageSets/Main文件夹下生成train.txt，val.txt，test.txt和trainval.txt四个文件（存放图片名字）：my

官方教程：https://github.com/ultralytics/yolov5/wiki/Train-Custom-DataVOC格式数据1.在yolov5目录下创建VOC2007文件夹，有VOC2007 …Annotations # 存放图片对应的xml文件 …JPEGImages # 存放图片 …ImageSets/Main #之后会在Main文件夹内自动生成train.txt，val.txt，test.txt和trainval.txt四个文件，存放训练集、验证集、测试集图片的名

YOLOv5 是一系列在 COCO 数据集上预训练的对象检测架构和模型，代表Ultralytics 对未来视觉 AI 方法的开源研究，结合了在数千小时的研究和开发中获得的经验教训和最佳实践。https://github.com/OlafenwaMoses/FireNET/releases/download/v1.0/fire-dataset.zip文档有关训练、测试和部署的完整文档，请参阅YOLOv5 文档。快速入门示例安装Python>=3.6.0需要安装所有 requirement

导读YOLO系列终于又回到了Anchor-free的怀抱，不用费劲心思去设计anchor了！旷视开源新的高性能检测器YOLOX，本文将近两年来目标检测领域的各个角度的优秀进展与YOLO进行了巧妙地集成组合，性能大幅提升。《YOLOX: Exceeding YOLO Series in 2021》paper: https://arxiv.org/abs/2107.08430code: https://github.com/Megvii-BaseDetection/YOLOX本文是旷视科技在目标检

文章目录简介YOLOv5网络架构YOLOv5基础组件输入端BackboneNeckHead输出端Yolov5四种网络结构的不同点四种结构的参数Yolov5网络结构简介YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。主要的改进思路如下所示：输入端：在模型训练阶段，提出了一些改进思路，主要包括Mosaic数据增强、自适应锚框计算、自适应图片缩放；基准网络：融合其它检测算法中的一些新思路，主要包括：Focus结构与CSP结构

《CornerNet: Detecting Objects as Paired Keypoints》ECCV 2018将对象检测为成对的关键点论文链接：https://arxiv.org/abs/1808.01244代码链接： https://github.com/umich-vl/CornerNet摘要将目标检测问题当作关键点检测问题来解决，也就是通过检测目标框的左上角和右下角两个关键点得到预测框，因此CornerNet算法中没有anchor的概念，这种做法在目标检测领域是比较创新的而且能够取

YOLO3各个版本对比首先来看下官方给的在COCO数据集上的表现，可以看到SPP版本相对于前面几个版本，mAP有了好几个百分点的提升，在加了SPP模块之后的YOLOv3为何有这么大的提升？YOLOv3和YOLOv3-spp网络结构对比YOLOv3网络结构图：YOLOv3-spp网络结构图：SPP模块结构如下图：相对于普通版本的YOLOv3，SPP版本在第五、六层卷积之间增加了一个SPP模块，这个模块主要是由不同的池化操作组成，具体的实现在YOLOv3-SPP的cfg文件中：为什么会得

RetinaNet算法源自《Focal Loss for Dense Object Detection》ICCV 2017摘要该论文最大的贡献在于提出了Focal Loss用于解决one-stage算法中正负样本的比例严重失衡问题，从而创造了RetinaNet（One Stage目标检测算法）这个精度超越经典Two Stage的Faster-RCNN的目标检测网络。作者的基础网络使用的是Resnet，然后在不同尺度的feature map建立金字塔，也就是FPN网络，这样就获得了丰富且多尺度的卷积特

PANet是18年的一篇CVPR，作者来自港中文，北大，商汤与腾讯优图，PANET可看作Mask-RCNN+，是在Mask-RCNN基础上做的几处改进。Introduce解决问题：当前实例分割最佳模型Mask-RCNN的信息传播还不够充分，低层级的特征对于大型实例识别很有用， 最高层级特征和较低层级特征之间的路径长每个建议区域都是基于 从一个特征层级池化 得到的 特征网格而预测的，此分配是启发式的。由于其它层级的丢弃信息可能对于最终的预测还有用，这个流程还有进一步优化的空间mask 预测仅在单个

《Feature Pyramid Networks for Object Detectin》CVPR2017通常，利用网络对物体进行检测时，浅层网络分辨率高，学到的是图片的细节特征，深层网络，分辨率低，学到的更多的是语义特征。1)、通常的CNN使用如下图中显示的网络，使用最后一层特征图进行预测例如VGG16，feat_stride=16,表示若原图大小是1000x600，经过网络后最深一层的特征图大小是60x40，可理解为特征图上一像素点映射原图中一个16x16的区域；那这个是不是就表示，如果原图中

论文地址：https://arxiv.org/abs/1905.04899v21.几种数据增强的区别Mixup:将随机的两张样本按比例混合，分类的结果按比例分配；Cutout:随机的将样本中的部分区域cut掉，并且填充0像素值，分类的结果不变；CutMix:就是将一部分区域cut掉但不填充0像素而是随机填充训练集中的其他数据的区域像素值，分类结果按一定的比例分配Mosaic:这种数据增强方式简单来说就是把4张图片，通过随机缩放、随机裁减、随机排布的方式进行拼接区别上述三种数据增强的区别：

考虑到很多同学GPU显卡数量并不是很多，Yolov4对训练时的输入端进行改进，使得训练在单张GPU上也能有不错的成绩。比如数据增强Mosaic、cmBN、SAT自对抗训练。但感觉cmBN和SAT影响并不是很大，所以这里主要讲解Mosaic数据增强。Mosaic数据增强Yolov4中使用的Mosaic是参考2019年底提出的CutMix数据增强的方式，但CutMix只使用了两张图片进行拼接，而Mosaic数据增强则采用了4张图片，随机缩放、随机裁剪、随机排布的方式进行拼接。这里首先要了解为什么要进.

代码：https://github.com/amdegroot/ssd.pytorch复现的过程按照github的步骤进行即可。下载数据由于我之前下载过voc0712、coco的数据，不需要再运行sh下载，按照sh指示建立相关文件夹。将sh所需下载的文件放进去，并将3个sh文件部分代码进行注释：再运行sh，对文件进行操作即可。训练之前，需要修改代码1、在multibox_loss.py中调换97，98两行，改成如下：loss_c = loss_c.view(num, -1) # The li

Faster RCNN可以分为4个主要内容：1、Conv layers。特征提取网络Backbone。Faster RCNN首先使用一组基础conv+relu+pooling层提取image的feature maps。该feature maps被共享用于后续RPN层和RoI pooling层。2、Region Proposal Networks。RPN网络用于生成proposals（建议框）。该层通过softmax判断anchors（先验框）属于positive或者negative，利用boun..

这个大佬写的很好： YOLO v1深入理解总的损失函数:

YOLOv2相对v1版本，在继续保持处理速度的基础上，从预测更准确（Better），速度更快（Faster），识别对象更多（Stronger）这三个方面进行了改进。其中识别更多对象也就是扩展到能够检测9000种不同对象，称之为YOLO9000。预测更准确（Better）论文[1]中给出了下面的改进项目列表，列出各项改进对mAP的提升效果。1）batch normalization（批归一化）批归一化使mAP有2.4的提升。批归一化有助于解决反向传播过程中的梯度消失和梯度爆炸问题，降低对一些超参数（

YOLOv1：YOLO v1深入理解YOLOv2：YOLOv2 / YOLO9000 深入理解

[net] ★ [xxx]开始的行表示网络的一层，其后的内容为该层的参数配置，[net]为特殊的层，配置整个网络# Testing ★ 测试模式 #号开头的行为注释行，在解析cfg的文件时会忽略该行# batch=1# subdivisions=1# Training ★ 训练模式 每次前向图片的数目=batch/subdivisionsbatch=64

SSD github : https://github.com/weiliu89/caffe/tree/ssdSSD paper : https://arxiv.org/abs/1512.02325SSD 动态PPT： https://docs.google.com/presentation/d/1rtfeV_VmdGdZD5ObVVpPDPIODSDxKnFSU0bsN_rgZXc/pub?start=false&loop=false&delayms=3000&slide=id

https://blog.youkuaiyun.com/c20081052/article/details/89358658https://www.jianshu.com/p/0ef56b59b9achttps://blog.youkuaiyun.com/weixin_38715903/article/details/98039181

《Mask R-CNN》ICCV2017论文链接：https://arxiv.org/abs/1703.06870官方代码链接：https://github.com/facebookresearch/Detectron摘要Mask R-CNN是ICCV2017的best paper，在一个网络中同时做目标检测（object detection）和实例分割（instance segmentation）。该算法在单GPU上的运行速度差不多是5 fps。Mask RCNN沿用了Faster RCNN的思想

《YOLOv4: Optimal Speed and Accuracy of Object Detection》2020论文原文：https://arxiv.org/abs/2004.10934源码：https://github.com/AlexeyAB/darknet摘要有很多特征可以提高卷积神经网络（CNN）的准确性。需要在大型数据集上对这些特征的组合进行实际测试，并需要对结果进行理论证明。某些特征仅在某些模型上运行，并且仅在某些问题上运行，或者仅在小型数据集上运行；而某些特征（例如批归一化和残