- 博客(15)
- 问答 (1)
- 收藏
- 关注
RSS订阅原创 【干货】CVAT 导入 YOLO 数据集报错？手把手教你一键转换 YOLO 1.1 格式并成功上传！
在使用 CVAT（Computer Vision Annotation Tool）进行目标检测标注时，很多小伙伴都会遇到一个头疼的问题：明明手里是标准规格的YOLOv5/v8数据集（有data.yaml，图片和标签分开放），但在上传到自建的 CVAT 平台时，却频繁报错。这是因为很多 CVAT 版本（尤其是定制化或特定版本）对YOLO格式有严格的“洁癖”。今天分享一个 Python 脚本，一键将 YOLO v5 格式转为 CVAT 完美的 YOLO 1.1 兼容格式！
2025-12-24 14:30:42
260
原创 Git常用命令大全？别找了，看这篇就够了！(建议收藏)
本文档提供了一份系统化的Git命令参考指南，涵盖从基础操作到高级应用的完整版本控制流程。主要内容包括：核心概念（工作区、暂存区等）、仓库创建与克隆、文件状态管理、提交历史查看、远程仓库操作、撤销与回退、分支管理、储藏功能等常规操作，以及交互式变基、cherry-pick等高级技巧，最后还包含Git-SVN互操作命令。所有命令均配有简洁说明和典型用法示例，特别标注了危险操作的风险提示，旨在帮助开发者安全高效地进行版本控制工作。
2025-10-27 14:20:03
988
原创 【YOLOv5在海思(Hisilicon)平台部署】：从ONNX到OM，模型多输入多输出接口深度解析
本文深入解析了YOLOv5模型在海思昇腾平台部署时出现的多输入多输出接口现象。通过ATC工具转换后，原本单输入单输出的ONNX模型会生成4个输入和2个输出端口，包括图像数据、原始尺寸信息、工作区内存等。文章详细解释了每个接口的用途，并提供了代码适配方案，帮助开发者理解这种设计是为了实现动态尺寸适配、后处理优化和内存管理，从而充分发挥NPU性能。
2025-10-13 10:55:46
1084
原创 【CVAT+YOLOv8终极部署指南】从零到一，将你的自定义模型集成到CVAT，实现高效自动标注！
《YOLOv8模型集成CVAT标注工具保姆级教程》 本文详细介绍了将自定义YOLOv8目标检测模型集成到CVAT标注工具中的完整流程。通过Nuclio无服务器框架，只需四个关键步骤即可实现模型部署：1)创建项目结构并放置模型文件；2)编写YAML配置文件；3)编写Python推理脚本；4)执行部署命令。教程特别强调了配置文件中JSON格式的严格要求和常见错误排查方法，确保用户能够快速将训练好的.pt模型转变为CVAT的智能标注助手，显著提升标注效率。该方法通用性强，可适用于各类YOLOv8检测模型，帮助开发
2025-09-22 09:44:33
1277
2
原创 【YOLOv8模型定制秘籍】：深入解析Depth、Width、Max_Channels三大缩放参数
在追求极致性能的AI项目落地中，仅仅满足于使用官方提供的nsmlx等预设模型是远远不够的。为了在特定的硬件（如嵌入式设备）上榨干每一分性能，实现精度与速度的最佳平衡，我们需要像“调音师”一样，精确地定制模型的结构。本文将深入剖析YOLOv8模型缩放的三大核心超参数——depth_multiple(深度)(宽度), 和 max_channels(最大通道数，并提供一套从理论到实践的完整指南，助你打造出最适合自己业务场景的专属YOLOv8模型。和是YOLOv8赋予开发者的强大“调节旋钮”。
2025-09-17 11:45:00
1264
1
原创 征服“像素级”挑战：一文读懂小目标检测难点与YOLO的进化之路
在计算机视觉的广阔天地里，小目标检测始终是一块难啃的“硬骨头”。它们如同“像素海洋中的针尖”，特征稀疏、易受干扰、定位困难，是无数AI算法工程师心中的痛。本文将从理论出发，系统性剖析小目标检测的四大核心难点，全面梳理业界主流的解决策略，并以YOLOv3到YOLOv8的演进为主线，深度解读这一顶流模型家族是如何一步步征服小目标检测这一终极挑战的。小目标检测，作为目标检测领域的一颗“皇冠明珠”，因其独特的挑战性，始终驱动着技术的不断前行。
2025-09-16 11:56:28
971
原创 【YOLOv8模型嵌入式部署实战】：从15FPS到实时性的极致优化之路
量化是将模型权重和激活值从FP32转换为INT8的过程，是嵌入式部署的标配。优势速度：INT8计算在NPU上的吞吐量远超FP32。内存：模型体积和运行时内存占用减少约4倍。功耗：整数运算更节能。操作：我们使用了芯片SDK提供的**训练后量化（Post-Training Quantization, PTQ）**工具。只需准备一个小的校准数据集（约100张有代表性的图片），工具就能自动完成量化过程，生成最终的INT8模型。提示：之前将激活函数改为ReLU6，其限制激活值范围的特性，有效降低了量化带来的精度损失。
2025-09-16 11:55:02
1393
原创 从“误报”到“精准”：一套完整的深度学习模型误报（False Positive）解决框架
在深度学习项目落地的“最后一公里”，我们常常面临一个棘手的问题：模型在测试集上表现优异，但在真实场景中却频繁出现“误报”（False Positives）。这些误报不仅会干扰正常业务，甚至可能导致系统决策失误，严重影响用户体验和信任度。本文旨在提供一个从算法、数据、模型、策略、交互五个维度出发的、系统性的模型误报解决框架，帮助开发者构建一个从源头扼杀、到过程过滤、再到持续优化的全方位防御体系。解决模型误报问题是一项系统工程，不存在一劳永逸的“银弹”。
2025-09-16 11:54:24
981
原创 MobileNetV3手势识别工业落地性能指标深度剖析
MobileNetV3 作为轻量级模型的翘楚，是边缘计算设备（如会议摄像头、手机、嵌入式设备）进行图像分类任务的理想选择，尤其在手势识别等交互场景中大放异彩。然而，一个模型从“能用”到“好用”，再到真正“可靠”地实现工业化落地，需要经历一系列严苛的性能指标评估。准确性、推理速度、模型大小、功耗与鲁棒性，并提供一套可供参考的量化标准与实践指南。成功地将MobileNetV3应用于工业级手势识别项目，是一个涉及模型、数据、硬件和软件优化的系统工程。模型(用于手部检测)。性能：实时响应 (≥ 30FPS。
2025-09-16 11:53:23
816
原创 不止mAP！实际部署场景下目标检测模型评估的五维指标与实践流程
mAP 只是一个起点，它告诉你模型“在测试集上”检测得有多好。实际部署要综合考虑。
2025-09-16 11:32:41
366
原创 【PyTorch模型部署避坑指南】ONNX导出时才发现没Softmax？教你一招完美解决！
好了，今天的分享就到这里。为什么？：为了让部署的ONNX模型能直接输出概率，成为一个端到端的独立单元。何时加？：在模型训练完成，准备导出用于推理的阶段添加。怎么加？：强烈推荐使用包装类 (WrapperClass)的方式，为原始模型动态添加Softmax。别忘了啥？：导出后一定要用Netron等工具进行验证！希望这篇保姆级教程能帮你彻底扫清模型部署道路上的这个小障碍。如果觉得文章对你有帮助，别忘了哦！一键三连，是对我最大的支持！我们下期再见！👋。
2025-09-15 09:50:53
890
原创 【YOLOv5魔改攻略】：手把手教你定制ONNX输出，完美适配任意部署平台！
"训练猛如虎，部署二百五？各位算法工程师们，是不是经常遇到这样的窘境：本地训练好的 YOLOv5 模型效果拔群，一到准备部署到 TensorRT、OpenVINO 或者其他嵌入式平台时，却发现模型的输出格式各种“水土不服”？默认的单一、合并后的输出，让你的后处理代码写得既憋屈又低效。别慌！这篇博客将带你深入 YOLOv5 的代码“腹地”，手把手教你如何“魔改”模型，让它导出的 ONNX 模型拥有多个独立的检测头输出，并且将输出维度调整为部署友好的HWC 四维格式。
2025-09-15 09:39:25
1031
1
原创 【YOLOv8部署实战】一文搞定！自定义ONNX导出，让你的模型原生支持归一化坐标
在将YOLOv8模型部署到嵌入式平台（如Sigmastar、瑞芯微等）的过程中，我们经常期望ONNX模型能直接输出归一化的坐标，以便与硬件后处理单元（NMS）无缝对接。然而，YOLOv8默认的导出机制却给我们带来了不小的麻烦。本文将带你从零开始，通过自定义检测头的方式，彻底解决这一痛点，并分享在Sigmastar平台上部署时遇到的各种“坑”及终极解决方案，形成一套完整的技术文档和SOP。直接修改库源码？下次一下，你的心血就付诸东流了。最专业、最优雅的解决方案是继承！我们来创建一个新的检测头。
2025-09-15 09:35:49
1110
原创 Sigmastar部署YOLOv8避坑指南（续）：揭秘“16对齐”背后的内存限制真相
核心原则：问题的本质是内存限制。当你设计的模型输出层（尤其是引入P2等高分辨率检测头）导致总锚框/预测数量巨大时，极有可能触发内存上限。风险评估对于标准、轻量的模型（如不带P2的YOLOv8n），你对输入尺寸的选择有更大的自由度，非16对齐的锚框数通常也能接受。对于复杂、庞大的模型（如带有P2头，或未来更深、更宽的模型），你应该高度警惕内存越界问题。最稳妥的策略（The Safe Bet）无论模型复杂与否，在选择输入尺寸时，优先选择那些能使总锚框数16对齐的尺寸。这相当于一个“最大兼容”策略。
2025-09-15 09:29:24
1131
原创 Sigmastar 8836平台部署YOLOv8-P2模型避坑指南：深入解析“emi_window_height断言”与锚框对齐问题
在嵌入式AI项目开发中，将训练好的模型成功部署到目标硬件上是至关重要的一环。然而，这个过程往往充满了各种“陷阱”。本文记录了一次在Sigmastar 8836平台上部署带P2检测头的YOLOv8模型时遇到的“定点模型仿真”失败问题。通过一系列消融实验和缜密分析，我们最终定位到问题根源并非简单的输入尺寸对齐，而是与硬件相关的锚框（Anchor）总数需16对齐的硬性限制。本文旨在分享整个问题的发现、排查、定位和解决过程，为同样在嵌入式平台进行模型部署的开发者提供一份有价值的参考。硬件平台。
2025-09-15 09:27:40
924
空空如也
【初学者提问】子类多重继承时为什么没有遵从就近原则？
2020-05-25
TA创建的收藏夹 TA关注的收藏夹
TA关注的人