weixin_42067873的博客

YOLOX踩炕记录

最近在用yolo系列训练自己的数据，但是在调参数时，batch_size稍微网上调整点就会出错（比如：4,8等），报错信息如下：提示页面文件太小[WinError 1455] 页面文件太小，无法完成操作。 Error loading "D:\ProgramData\Anaconda3\envs\yolov5_gpu\lib\site-pack一、首先考虑虚拟内存的大小修改windows的虚拟内存：这里可以看到，自动管理状态下的虚拟内存很小，根本不满足需求这里，我们根据...

代码下载：链接：https://pan.baidu.com/s/17pQtRoiqDiavmPrMX_gFfQ 提取码：50r2论文下载：链接：https://pan.baidu.com/s/1ovgn988hVPVTAEN7dXHHnA提取码：c1bg代码配置相关注：基础配置可参考本人博客：(2条消息) [目标检测]——YOLOv5模型使用记录_Star星屹程序设计的博客-优快云博客https://blog.youkuaiyun.com/weixin_42067873/article/detai...

如果想要对图像进行校准，那么透射变换是非常有效的变换方法。透射变换的定义如下：将图像投影到一个新的视平面，通常也成为投影映射。 详情参考链接：透射变换介绍1、举例说明直观的来看，透视变换的作用就是将左侧图像的坐标点 [[50,0],[150,0],[0,200],[200,200]]转化为新的坐标 [[0,0],[200,0],[0,200],[200,200]]2、应用原图是一个旋转过的图片，现在需要做图片矫正，将图片放正。做法：手工选去需要矫正区域四个角上...

如下图所示即为OpenCV中关于阈值的函数，其中：设置的阈值是针对每个像素点判断的，如果当前像素点的值大于阈值，赋什么值，maxval最大取值为255（0<黑>~255<白>）简单使用：import matplotlib.pyplot as pltimport cv2 as cvimg = cv.imread("images/girl.jpg", cv.IMREAD_COLOR)image_gray = cv.cvtColor(img, cv.COLOR...

论文提取链接：链接：https://pan.baidu.com/s/1LqNBgL9Va4puiDEljp9syg 提取码：visfYOLO设计之初：就希望网络比较迅速，做到实时处理（你仅看一眼）—— One Stage网络

一、角点特征1、图像特征二、Harris角点检测1、原理Harris角点检测的思想是通过图像的局部的小窗口观察图像，角点的特征是窗口沿着任意方向移动都会导致图像灰度的明显变化，如下图所示：其中 I(x,y)是局部窗口的图像灰度，I(x+u, y+v) 是平移后的图像灰度， w(x, y) 是窗口函数，可以是矩形窗口，也可以是对每一个像素赋予不同权重的高斯窗口，如下所示：推导如下：2、Harris计算方法角点判断：当R为大数值的正数时是角点 ...

一、模板匹配分析所谓模板匹配，就是在给定的图片中查找和模板最相似的区域，该算法的输入包括模板和图片，整个任务的思路就是按照滑窗的思路不断的移动模板图片，计算其与图像中对应区域的匹配度，最终将匹配度最高的区域选择为最终的结果。1、实现流程（1）准备两副图像原图像（I）：在这幅图中，找到与模板相匹配的区域 模板（T）：与原图像进行比对的图像块（2）滑动模板图像和原图像进行比对（3）对于每一个位置将计算的相似结果保存在结果矩阵（R）中（4）获得上述图像后，查找最大值..

边缘检测是图像处理和计算机视觉中基本的问题，边缘检测的目的是标识数字图像中亮度变化明显的点，图像属性中的显著变化通常反映了属性的重要事件和变化。边缘的表现形式如下图所示：一、边缘检测的分类图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性，有许多方法用于边缘检测，它们的绝大部分可以划分为两类：（1）基于搜索（2）基于零穿越的注：两类边缘检测方法都是基于导数的。1、基于搜索的2、基于零穿越的基于零穿越的，是在基于搜索的基础上进..

一、灰度直方图1、原理直方图是对数据进行统计的一种方法，并且将统计值组织到一系列事先定义好的bin当中。其中，bin 为直方图中经常用到的一个概念，可以译为 “直条” 或 “组距”，其数值是从数据中计算出的特征统计量，这些数据可以是诸如梯度、方向、色彩或者其他任何特征。注意：直方图是根据灰度图进行绘制的。假设有一张图像的信息（灰度值0~255，已知数字的范围包含256个值），于是可以按照一定的规律将这个范围分割成子区域（也就是bins），如：2、术语和细节dims：需.

一、图像噪声由于图像采集、处理、传输等过程不可避免的会受到噪声的污染，妨碍人们对图像理解及分析处理。常见的图像噪声有高斯噪声、校验噪声等。1、椒盐噪声2、高斯噪声高斯噪声是指噪声的密度服从高斯分布的一类噪声，由于高斯噪声在空间和频域中数学上的易处理性，这种噪声（也称为正态噪声）模型经常被用于实践中。高斯噪声随机变量Z的概率密度函数由下式给出：加入高斯噪声后的效果：二、图像平滑图像平滑从信号处理的角度看就是去除其中的高频信息，保留低频信息。因此我们可以对图像.

形态学转换是基于图像形状的一些简单操作，它通常在二进制图像上执行。腐蚀和膨胀是两个基本的形态学运算符。然后它的变体形式如：开运算、闭运算、礼帽黑帽等。一、连通性在图像学当中，图像的最小单位是像素，每个像素周围有8个邻接像素，常见的邻接关系有3种：4领接、D邻接和8邻接连通性是描述区域和边界的重要概念，两个像素连通的两个必要条件是：1、两个像素的位置是否相邻2、两个像素的灰度值是否满足特定的相似性准则（或者是否相等）根据连通性的定义，有4连通、8连通和m连通三种1..

一、仿射变换1、介绍图像的仿射变换涉及到图像的形状位置角度的变化，是深度学习预处理中常用的功能，fang'she

1、创建文件、xml等存放位置在yolov5目录下创建data文件夹（名字可以自定义），目录结构如下，将之前labelImg标注好的xml文件和图片放到对应目录下：…images # 存放图片…Annotations # 存放图片对应的xml文件…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、测试集图片的名字（无后缀.jpg）2、数据集分割ImageS.

从下图可以看出：YOLO的速度最快一、YOLO介绍1、网络分析

SPPNet的性能已经得到很大的改善，但是由于网络之间不统一训练，造成很大的麻烦，所以接下来的Fast R-CNN就是为了解决这样的问题。一、Fast R-CNN介绍1、Fast R-CNN改进之处提出了一个Roipooling，然后整合整个模型，把CNN、Rolpooling、分类器、bbox回归几个模型整合到一起训练。2、步骤分类是使用softmax计算，不再使用SVM。二、Roipooling首先需要注意的是：Rol pooling只是一个简单版本的S..

SPPNet对R-CNN进行了改进，首先分析R-CNN慢在哪里？

不使用暴力方法，而是用候选区域方法（region proposal method），创建目标检测的区域改变了图像领域实现物体检测的模型思路，R-CNN是以

Overfeat模型设计主要为了解决多个物体的检测问题一、滑动窗口目标见发

一、图像的加法在这里，可以使用OpenCV的cv.add()函数把两幅图像相加，或者可以简单的通过numpy操作添加两个图像

为数据集打标签的方法和工具有很多，诸如：Labelme、LabelImg等，此处介绍LabelImg。一、LabelImg工具下载下载地址：链接：https://pan.baidu.com/s/1--iHW788mgTNEyX6yazfog 提取码：f828注：下载的文件是编译好的，可执行的LabelImg.exe文件。直接将文件放到Windows环境下，双击便可执行。二、LabelImg工具的使用方法1、双击出现操作界面在labelImg窗口的左边，有一些操作...

一、目标检测算法分类1、两步走的目标检测先进行区域推荐，而后进行目标检测d

一、图片的IO操作1、读取图片读取图片使用 cv.imread(图片路径，读取方式)参数：使用函数 cv2.imread() 读入图像。这幅图像应该在此程序的工作路径，或者给函数提供一个完整的路径，第二个参数是要告诉函数应该如何读取这幅图片。cv2.IMREAD_COLOR：加载彩色图像，图像的任何透明度都会被忽略，是该方法的默认方式。 cv2.IMREAD_GRAYSCALE :以灰度模式加载图像。 cv2.IMREAD_UNCHANGED : 以包含Alpha通道的方式加.

一、图像处理简介1、图像是什么图像是人类视觉的基础，是自然景物的客观反映，是人类认识世界和人类本身的重要源泉。“图”是物体反射或透射光的分布，“像“是人的视觉系统所接受的图在人脑中所形成的印象或认识，照片、绘画、剪贴画、地图、书法作品、手写汉学、传真、卫星云图、影视画面、X光片、脑电图、心电图等都是图像。2、模拟图像和数字图像模拟图像：连续存储的数据模拟图像：在图像处理中，像纸质照片、电视模拟图像等，这种通过某种物理量（如光、电等）的强弱变化来记录图像亮度信息的图像。 特点：物理