微信号：RunsenLiu

关于yolov5模型的flask的部署, 需要通过torch.hub.load 加载yolov5 自定义的模型，source需要设置local。关于models里面的模型，一个是官方yolov5s.pt，另外一个是自训练的口罩模型，检测是否戴有口罩。关于 http://127.0.0.1:5000/v1 接口，返回的是检测结果。检测的图片会保存在static中的forest文件夹。在torch的环境，运行app.py。也可以通过curl对图片进行上传访问。本项目支持运行自己的自训练模型的模型。......

大家肯定说，直接用load加载不就是行了吗，别以为用torch.load(“”) 直接加载就Ok？torch.load 加载是你通过torch训练的，不是yolo训练，那肯定不同。原来在 hub load 可以设置 custom 自定义， 这不就是搞定了。本想找下，有没有代码可以实现自定义模型的检测，发现百度没有一篇。但是由于 每次都下载yolo 模型很慢，最好本地加载。可怜的我去GitHub的issue找到了答案。那么如何加载图片了，直接用PIL 读取就可以了。官方模型加载yolov5预训练模型是。...

本项目基于 yolov5n6 和tkinker实现的检测模型的可视化界面项目连接； https://github.com/MaoliRUNsen/yolov5gui硬件： 本人电脑的显卡是 RTX 3060 ，并配置Pytorch-GPU关于 pytorch 安装查看官方文档 PyTorch Get Started docs[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-WVtULPlv-1656914532211)(image/显卡.png)]软件: Pycharm 和相关

在训练好的yolov5 pt 模型 可以 通过 export.py 进行导出 onnx导出流程在 export.py 设置模型和数据源的yaml在官方的文档中 说明了可以导出的具体的类型。在 添加导出的类型， 不同的 类型的 环境要求不一样，建议虚拟环境，比如onnx 和 openvino 的numpy 版本要求不一只，一个要求高配，一个要求低配如何测试和验证推理在模型导出的中onnx 和 openvino 不需要GPU进行推理，但是tensorRT 需要 GPU 进行推理...

FasterRCNN和yolov5训练飞机目标识别的项目目标检测算法主要包括：两类two-stage和one-stage一类是two-stage，two-stage检测算法将检测问题划分为两个阶段，首先产生候选区域（region proposals），然后对候选区域分类（一般还需要对位置精修），这一类的典型代表是R-CNN, Fast R-CNN, Faster R-CNN，Mask R-CNN家族。他们识别错误率低，漏识别率也较低，但速度较慢，不能满足实时检测场景。另一类方式称为one-stage检

@Author：Runsen姿态估计是计算机视觉中的一项流行任务，比如真实的场景如何进行人体跌倒检测，如何对手语进行交流。作为人工智能（AI）的一个领域，计算机视觉使机器能够以模仿人类视觉为目的来执行图像处理任务。在传统的物体检测中，人们只会被感知为一个边界框（一个正方形）。通过执行姿势检测和姿势跟踪，计算机可以理解人体语言。然而，传统的姿势跟踪方法既不够快，也不够稳健，无法实现遮挡。高性能实时姿势检测和跟踪将推动计算机视觉领域的一些最大趋势。例如，实时跟踪人体姿势将使计算机能够对人类行为进行更细粒

@Author：RunsendeepDeepSortDeepSort是一种用于跟踪目标的模型，为每个目标分配 ID，为每一个不同的类别分配label。在DeepSort 中，过程如下。使用YOLO 计算边界框（检测）使用Sort（卡尔曼滤波器）和ReID（识别模型）链接边界框和轨迹如果无法建立活动链接，则会分配一个新 ID 并将其新添加到track。deepDeepSort所谓的“检测”是每一帧中的目标列表，“轨迹”是当前被跟踪的列表。deepsorts项目地址：https://gith

@Author：Runsen霍夫变换(Hough Transform)是图像处理中的一种特征提取技术，该过程在一个參数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为霍夫变换结果。这张图里面有一条看起来挺直的线，就是车道，这张图是百度随便找的。灰度缩放将图像转换为灰度的原因是易于处理。与具有三个以上值的彩色图像相比，灰度图像只有一个像素强度值（0 或 1）。这将使灰度图像在单个通道中工作，这将比三个通道的彩色图片更容易和更快地处理。在代码中创建的图像数组。import cv

@Author：RunsenR-CNN 和YOLO等对象检测模型，使用了平均精度 (mAP)。mAP 将真实边界框与检测到的框进行比较并返回分数。分数越高，模型的检测就越准确。Precision and Recall现在有两个类，Positive和Negative，这里是 10 个样本的真实标签。y_true = ["positive", "negative", "negative", "positive", "positive", "positive", "negative", "positive

@Author：RunsenPASCAL VOC(The PASCAL Visual Object Classes)是一个世界级的计算机视觉挑战赛，第一届比赛在2005年举办，随后一年举办一次，直到2012年最后一次。PASCAL的全称是Pattern Analysis, Statistical modelling and ComputAtional Learning，官方地址是 http://host.robots.ox.ac.uk/pascal/VOC/一个典型的xml标签文件如下<anno

@Author：RunsenYOLO 是目前最火爆的的计算机视觉算法之一，今天使用的数据集来源：https://www.kaggle.com/andrewmvd/face-mask-detection这是数据集可以创建一个模型来检测戴口罩、不戴口罩或不正确戴口罩的人。该数据集包含属于3 个类别的853张图像，以及它们的 PASCAL VOC 格式的边界框。分别是带口罩；不戴口罩；口罩佩戴不正确。首先将voc形式变成yolo形式，voc是xml文件，需要通过ElementTree进行解析，得

@Author：Runsen之前的检测系统重新利用分类器或定位器来执行检测，将模型应用于多个位置和比例的图像。Yolo 使用了一种完全不同的方法。它将单个神经网络应用于完整图像。该网络将图像划分为多个区域并预测每个区域的边界框和概率。这些边界框由预测概率加权。YOLO 模型与基于分类器的系统相比有几个优点。它在测试时查看整个图像，因此它的预测是由图像中的全局上下文提供的。比 R-CNN 快 1000 倍以上，比 Fast R-CNN 快 100 倍。理论部分已经足够了，让我们来看看 YOLOv5 的

@Author：Runsen上次讲了yolov3，这是使用yolov3的模型通过opencv的摄像头来执行YOLOv3 对象检测。导入所需模块：import cv2import numpy as npimport time让我们定义一些我们需要的变量和参数：CONFIDENCE = 0.5SCORE_THRESHOLD = 0.5IOU_THRESHOLD = 0.5# network configurationconfig_path = "cfg/yolov3.cfg"# YO

@Author：Runsen本次博客参考GIthub项目：https://github.com/qqwweee/keras-yolo3.git在开始之前，请在以下位置克隆!git clone https://github.com/qqwweee/keras-yolo3.git到您的本地机器。确保设置虚拟环境并安装要求Keras 2.1.5Tensorflow 1.6.0本次教程分为以下步骤：从 YOLO 网站下载 YOLOv3 权重。将 Darknet YOLO 模型转换为 K

You only look onceYOLO，是目前速度更快的物体检测算法之一。虽然它不再是最准确的物体检测算法，但当您需要实时检测时，它是一个非常好的选择，而不会损失太多的准确性。Darknet-53YOLO v2 使用自定义的深度架构 darknet-19，这是一个最初的 19 层网络，补充了 11 层用于对象检测。使用 30 层架构，YOLO v2 经常在小物体检测上挣扎。这是由于层对输入进行下采样时丢失了细粒度特征。为了解决这个问题，YOLO v2 使用了身份映射，连接来自前一层的特征映射来捕

@Author：Runsen上次训练的Faster-RCNN的数据格式是xml和jpg图片提供，在很多Object-Detection中，数据有的是csv格式，数据集来源：https://www.kaggle.com/c/global-wheat-detectionwidth和heigth是图片的长和宽，bbox是框的位置。我们需要在小麦植物的室外图像中检测小麦头，分类的类别只有一个。我们来看一个牛逼人的做法：https://www.kaggle.com/pestipeti/pytorch

@Author：Runsen上次介绍了Faster-RCNN模型，那么今天就开始训练第一个Faster-RCNN模型。

@Author：Runsen上次对xml文件进行提取，使用到一个Albumentation模块。Albumentation模块是一个数据增强的工具，目标检测图像预处理通过使用“albumentation”来应用的，这是一个易于与PyTorch数据转换集成的python库。Albumentation 是一种工具，可以在将（图像/图片）插入模型之前自定义 处理（弹性、网格、运动模糊、移位、缩放、旋转、转置、对比度、亮度等]）到图像/图片。对此，Albumentation 官方文档：https://al

@Author：Runsen图像标注主要用于创建数据集进行图片的标注。本篇博客将推荐一款非常实用的图片标注工具LabelImg，重点介绍其安装使用过程。如果想简单点，请直接下载打包版（下载地址见结尾），无需编译，直接打开即可！感谢原作者对Github的贡献，博主发现软件已经更新，可以关注最新版本。这个工具是一个用 Python 和 Qt 编写的完整的图形界面。最有意思的是，它的标注信息可以直接转换成XML文件，这和PASCAL VOC和ImageNet使用的XML是一样的。附注。作者在5月份更新了代码

@Author：RunsenFaster R-CNN由于Fast R-CNN 过程中仍然存在一个瓶颈，即ROI Projection。众所周知，检测对象的第一步是在对象周围生成一组潜在的边界框。在 Fast R-CNN 中，ROI Projection是使用Selective Search创建的，发现一个非常缓慢的过程是整个对象检测过程的瓶颈。选择性搜索是一个缓慢且耗时的过程，会影响网络的性能。因此，任少清等人提出了一种对象检测算法，该算法消除了选择性搜索算法，让网络学习了区域提议区域提议。Fast

@Author：Runsen为了使 R-CNN 更快，Girshick ( 2015 ) 通过将三个独立模型统一为一个联合训练的框架并增加共享计算结果，改进了训练过程，命名为Fast R-CNN。该模型不是为每个区域提议独立提取 CNN 特征向量，而是将它们聚合到整个图像的一个 CNN 前向传递中，并且区域提议共享此特征矩阵。然后将相同的特征矩阵分支出来用于学习对象分类器和边界框回归器。总之，计算共享加速了 R-CNN。...

@Author：Runsen最早期的目标检测基于RCNN的算法，下面介绍RCNN的架构RCNN架构R-CNN 的目标是获取图像，并正确识别图片中的主要对象（通过边界框）的位置。输入：图像；输出：图像中每个对象的边界框和标签。R-CNN检测系统由三个模块组成。第一个生成与类别无关的区域候选框。这些候选框识别图像中存在的候选检测集。第二个模块是一个深度卷积神经网络，从每个区域提取一个特征向量。第三个模块是一组特定于类的分类器，即线性 SVM。R-CNN 也做了我们可能直觉上做的事

@Author：Runsen目标定位图像分类或图像识别模型只是检测图像中对象的概率。与此相反，对象定位是指识别图像中对象的位置。对象定位算法将输出对象相对于图像的位置坐标。在计算机视觉中，定位图像中对象的最流行方法是借助边界框来表示其位置。可以使用以下参数初始化边界框：bx, by : 边界框中心的坐标bw : 边界框的宽度 wrt 图像宽度bh : 边界框的高度 wrt 图像高度定义目标变量多类图像分类问题的目标变量定义为：其中，CiC_iCi​是第iii类的概率。 例如，如果有

@Author：Runsen计算机视觉中具有挑战性的主题之一，对象检测，可帮助组织借助数字图片作为输入来理解和识别实时对象。大量的论文基于常见的目标检测的开源数据集而来，因此CIFAR-10CIFAR-10 是一个综合数据集，由 10 个不同类别的 60,000 张彩色图像组成。该数据集包含 10,000 张测试图像和 50,000 张训练图像，分为五个训练组。...

@Author：Runsen对象检测是一种属于更广泛的计算机视觉领域的技术。它处理识别和跟踪图像和视频中存在的对象。目标检测有多种应用，如人脸检测、车辆检测、行人计数、自动驾驶汽车、安全系统等。ImageAI提供了非常方便和强大的方法来对图像进行对象检测并从图像中提取每个对象。ImageAIImageAI 包含几乎所有最先进的深度学习算法的 Python 实现，如RetinaNet、YOLOv3和 TinyYOLOv3。ImageAI 使用了对象检测、视频检测和对象跟踪 API，无需访问网络即可调用

@Author：Runsen由于毕业入了CV的坑，在内卷的条件下，我只好把别人卷走。对象检测对象检测是一种计算机视觉技术，用于定位图像或视频中的对象实例。对象检测算法通常利用机器学习或深度学习来产生有意义的结果。当人类查看图像或视频时，我们可以在瞬间识别和定位感兴趣的对象。对象检测的目标是使用计算机复制这种智能。比如，物体检测是高级驾驶辅助系统 (ADAS) 背后的一项关键技术，它使汽车能够检测行驶车道或执行行人检测以提高道路安全。对象检测在视频监控或图像检索系统等应用中也很有用。在本文教程中，