- 博客(30)
- 收藏
- 关注
RSS订阅原创 YOLO格式数据集转为COCO数据集（简单粗暴）
简单来说就是images文件夹里面有train、val、test三个文件夹都放的图片；labels文件夹也有train、val、test三个文件夹都放的对应的标注！
2024-09-27 15:16:53
2877
9
原创 AttributeError: partially initialized module ‘numpy‘ has no attribute ‘array‘ (most likely due to a
文件名不要与python第三方库名称一样。
2024-08-27 15:27:46
462
原创 YOLOv8（如何进行训练和验证）
使用train.py，val.py进行模型训练以及验证，个人认为比较方便。初学v8的时候，对于命令行输入感觉很麻烦也很蒙圈，因此记录一下，希望对一些初学者有所帮助！
2024-08-26 10:29:30
435
原创 工业产品缺陷检测系统（YOLOv5s+PyQT5）
在之前写过一个web端的检测页面，然后最近写了一个工业产品缺陷检测系统，这次的是电脑可以打开的软件形式的，该项目由YOLOv5s和PyQT5完成。简单记录一下，页面没有很绚丽，但是实现了基本的检测功能，简单易懂！
2024-02-26 16:46:35
1620
2
原创 语义信息简单理解
一张图片有马路、汽车、行人、路灯等等，那么视觉层也就是底层 是一块一块的区分。对象层是马路、汽车、行人、路灯。概念层是街道，也就是这张图表现出来的语义。比如 “帅哥”，这仅仅是两个汉字，我们只有赋予他含义才知道他表示的是什么意思。那么“帅哥”的语义信息就是 帅的人。，只是个符号，我们认定他代表时间，那么他就有了语义信息，底层，图像的纹理、颜色、形状等，这些就是底层的特征语义。中间层，包含了属性特征，是某一对象此时的状态。高层，是图像表达出来的人更容易理解的东西。图像的语义信息分为三层，的语义信息就是时间。
2023-12-21 09:23:49
546
原创 YOLOv7训练：_pickle.UnpicklingError: STACK_GLOBAL requires str
这个数据集在其他地方运行过产生了**.cache**文件。
2023-11-21 21:15:07
743
原创 用语义分割网络做检测任务
旨在将图像中的每个像素分配到特定的语义类别。与目标检测任务不同，语义分割不仅要检测图像中的物体，还需要对每个像素进行精细的分类，从而实现对图像的像素级别理解和分割。
2023-11-07 19:12:12
296
原创 （解决方法）colab中，!cd 切换文件夹路径失败
意思是：查看当前路径.（可以看到，路径并没有切换成功），看下面图片，可以看到此时路径已经切换成功。看下面图片，我要切换到路径。下，但是没有切换成功。
2023-06-27 11:26:45
557
原创 （CVPR小目标检测笔记）QueryDet一种新的查询机制
在这个流程中，QueryDet的核心是CSQ机制，它可以在高分辨率特征图上选择性地查询位置，从而减少计算量，提高检测准确性和推理速度。作者提出了QueryDet，使用了新的查询机制来加速特征金字塔的对象检测器的推理速度和减少计算量、提高准确性，并且在多个数据集上（COCO、PASCAl VOC、VisDrone、CityPersons）进行了测试。对于大物体的检测：QueryDet主要关注小物体的检测，对于大物体的检测效果可能不如其他方法。的检测精度(AP)和速度(FPS)的比较。
2023-06-26 14:43:01
1968
原创 简单理解-非极大值抑制
目标检测分为两阶段算法（比如R-CNN）和单阶段算法（YOLO、SSD），当他们使用滑动窗口或者slective search算法时，会根据目标生成很多框，然后这些框很多都是无用的，这时候就需要一直算法，对其进行筛选。所以，NMS非极大值抑制算法应运而生，在目标检测中一直占据重要地位。其实跟名字一样，把不是极大值的数值 抑制了，也就是删除，然后只保留最大的一个，也是最合适的一个。可以看图，使用NMS的前后对比。非极大值抑制的原理是。
2023-05-30 15:29:16
212
原创 yolov5超参数解释（hyp.scratch-low.yaml）
在模型训练中，超参数的调整是必不可少的。有时候看到结果，分析之后发现是过拟合，这时候就需要对自己的模型超参数进行调整，以达到最优效果等等。这里对yolov5中的文件超参数进行调整。关于的超参数写完了，我觉得在模型训练中，适当的调整这些超参数还是很有用的。
2023-05-09 09:52:09
12560
2
原创 基于Iou损失函数的优缺点（GIoU、DIoU、CIoU、EIoU）
各种基于IoU的损失函数在不同程度上解决了IoU损失的梯度问题，并在位置、形状等方面引入了额外的约束。在实际应用中，可以根据具体任务和数据集的特点选择合适的损失函数。可以尝试将这些损失函数与其他损失函数（如交叉熵损失、Smooth L1损失等）结合使用，以进一步提高模型的性能。
2023-05-06 09:22:07
4729
原创 用Git工具上传本地代码文件（最详细的教程，简简单单）
直接进入正题，介绍git每一步如何操作，把本地项目代码上传到github，简简单单😁其实比较简单的，就是需要细心点，命令不能输入错误。差不多OK了，git上传本地文件到此结束了👏。
2023-04-21 16:20:32
15422
6
原创 yolov5之yaml文件解析
学了yolov5很长时间了，但是突然看yaml文件还有一些不懂。现在弄明白了，写一篇记录一下，也跟大家分享一下。非常享受知识传播的快乐，虽然我写的不咋滴哈哈😊
2023-04-18 15:43:19
2388
2
原创 YOLOv5部署到web端（flask+js简单易懂）
最近，老板让写一个程序把yolov5检测模型部署到web端，在网页直接进行目标检测。经过1个星期的努力，终于实现基本功能👻（累晕了）。网上查阅了很多资料，发现很多的技术比较复杂，当然他们的页面都比较漂亮，然后我打算自己写一篇简单记录一下哈哈。
2023-04-11 19:33:09
22603
106
原创 __main__.py: error: unrecognized arguments: run
尝试重新安装flask需要的虚拟环境，然后再次运行。如果你本来在pycharm上运行，可以尝试把项目在vscode上运行，大概率会解决该bug。
2023-04-11 18:50:31
1916
8
原创 激活函数ReLU和SiLU的区别
在这里，我就简单写一下两个激活函数的概念以及区别，详细的过程可以看看其他优秀的博主，他们写的已经非常好了，我就不必再啰嗦了
2023-03-23 20:39:09
45463
1
原创 Decoupled head（解耦合头）和Coupled head（耦合头）
简单来说，解耦合头突出在一个解字，就是把特征图用不同的分支分开处理，而耦合头不分开 一起处理了。常见的解耦合头设计包括Faster R-CNN中的RPN（Region Proposal Network）和 Fast R-CNN中的。
2023-03-13 19:39:22
15072
10
原创 DETR(transformer＋目标检测）
开篇，作者直接说明提出了一个可以把目标检测视为直接预测集问题的方法。有许多人工设计的组件，会产生许多框，因此就必须加入后处理操作人工设计的组件中，可以调节的超参数就比较少后处理操作和锚框的设计，这些都会影响detectors最后的性能移除了人工设计的组件，比如NMS（非极大值抑制处理）和Anchor（锚框），大大简化了流程整个由网络实现端到端的目标检测实现，简化了训练pipeline。
2023-03-02 16:02:37
925
原创 Yolov5核心基础知识
相对于YOLOv4，YOLOv5在原理和方法上没有做太多的改进，但是在速度和模型大小比yolov4有比较大的提升，也可以认为是牺牲了模型的大小，换来了准确率和速度的增加。接下来，从yolov5的网络结构，以及核心内容进行分析。
2023-02-21 17:05:30
2625
原创 优化器SGD、Adam和AdamW的区别和联系
优化器是用来更新和计算影响模型训练和模型输出的网络参数，使其逼近或达到最优值，从而最小化(或最大化)损失函数。
2023-02-18 17:46:01
8269
原创 CNN超越Transformer，Convnext纯卷积架构：A ConvNet for the 2020s
随着Vision Transformer（ViTs）的引入，超越了卷积神经网络（CNN），并且在各项计算机视觉任务中表现很优秀，成为了最先进的图像分类模型。在这篇论文中，作者重新设计了纯卷积神经网络（CovNext），将标准的ResNet“现代化”，以此来实现transformer的设计，并改变了几个关键组件，来提高模型的性能。
2023-02-16 16:45:52
1207
1
原创 AttributeError: ‘NoneType‘ object has no attribute ‘js_dependencies‘
出现这样的时候，大概率是封装函数没有返回值。给封装的函数加一个返回值，即可解决。（可以参考一下）
2022-04-10 20:38:32
1729
2
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