Mickey的博客

本文是Ultralytics官方中文文档的精华简化版，建议搭配官方完整文档学习 ✅ 提取官方文档核心内容✅ 避开初学者常见深坑✅ 提供可直接运行的代码片段✅ 用最简流程实现YOLO目标检测实战。

YOLOv12是一种基于注意力机制的YOLO框架新版本，旨在解决传统基于卷积神经网络（CNN）的模型在速度和性能之间的权衡问题。尽管注意力机制被证明在建模能力上具有显著优势，但其应用受限于速度不及CNN的问题。YOLOv12通过优化设计，不仅实现了与现有基于CNN的YOLO版本相同的速度，还提升了检测准确性。

DySample是一种快速、有效且通用的动态上采样器，其主要概念是从点采样的角度来设计上采样过程，而不是传统的基于内核的动态上采样方法。与其他动态上采样器相比，DySample在延迟（latency）、训练内存（memory）、训练时间（training time）、浮点运算次数（GFLOPs）和参数量（parameters）等方面表现出更高的效率。在本文测试DySample上采样模块的过程中，首先从一个简单的实现开始，然后通过不断调整公式和参数等逐步改进其性能。

YOLO11模型已出，解决最新版本Ultralytics的自定义YOLO模型单GPU可以训练多GPU训练却报错subprocess.CalledProcessError的问题。

在ultralytics项目文件夹内进行单GPU训练的时候可以正常进行，但是启动多GPU后训练就会发生KeyEroor报错。

混淆矩阵（Confusion Matrix）、真阳性（True Positive, TP）、真阴性（True Negative, TN）、假阳性（False Positive, FP）、假阴性（False Negative, FN）、归一化混淆矩阵(Normalized Confusion Matrix)、精确度（Precision）、召回率（Recall）、F1值（F1-Score）、平均精确度（Average Precision, AP）、平均精确度（Mean Average Precision）等。

并添加line_width参数输入合适的。寻找自己文件目录下的。修改到合适尺寸的数值。

在对论文源码复现过程中，我们首先需要安装相关依赖文件：使用相关命令一键部署指定的环境，然后会出现pip版本过高导致对应版本模块包无法安装的问题。

这是YOLOv5项目的一部分，该文件包含YOLOv5特有的模块定义和一些实用工具函数。

本帖是YOLOV5推理部分代码的中文逐行注释。由于AI注释的缘故，可能与源码会有小部分出入，所以不建议复制粘贴替换源码的detect.py文件。本贴的初衷是YOLOV5源码逻辑的学习，后续会不断修正该代码和加入新的注释。

半监督目标检测同时利用标签数据和无标签数据进行训练，一方面可以减少模型对检测框数量的依赖，另一方面也可以利用大量的未标记数据进一步提高模型。

候选区域网络 (Region Proposal Network, RPN) 作为 Faster R-CNN 的一个子模块，将为 Faster R-CNN 的第二阶段产生候选区域。在 MMDetection 里大多数的二阶段检测器使用 作为候选区域网络来产生候选区域。然而，任何的单阶段检测器都可以作为候选区域网络，是因为他们对边界框的预测可以被视为是一种候选区域，并且因此能够在 R-CNN 中得到改进。

MMDetection工具包提供了许多实用的工具，接着上一期我们继续分享另外两个实用工具：模型复杂度、基准测试。

YOLOX 支持使用自定义数据集进行训练。为了在 YOLOX 上运行我们自己的数据集，我们需要遵循以下基本步骤

MMDetection官方除了训练和测试脚本，他们还在目录下提供了许多有用的工具。本帖先为大家重点介绍其中三个简单而实用的工具：日志分析、结果分析、混淆矩阵。

本文基于MMDetection官方文档，对模型微调和权重初始化进行第三方讲解，后续更新自己权重初始化的实验过程。

即便在熟练掌握了Python的基本语法之后，涉足深度学习领域时，开发者往往会遇到一系列新的挑战，这些挑战源自于深度学习特有的复杂概念、高级库的使用以及大规模数据处理的需求。

在人工智能深度学习领域，高质量的数据集是推动深度学习模型训练研究与应用的关键。Kaggle作为一个广受欢迎的数据科学竞赛平台，提供了丰富的公开数据集供研究者和开发者使用。本帖将指导大家如何在Kaggle上找到并下载所需数据集，并将其迁移至Linux服务器，以便于利用服务器的强大计算资源进行多GPU训练。

本章节展示利用MMDetection工具包，通过替换Faster R-CNN模型中的neck组件，完成在自定义数据集上的权重训练，以及记录自己选用合适的组件来提升模型精度的学习过程。

本期我们开始学习在自定义数据集上进行训练，此贴持续更新，记录自己使用非MMDetection官方提供的数据集训练预定义模型的学习历程。

声明：该文章转载于MMDetection官方文档，供方便浏览和自用。

在上次发布的帖子中，我们已经学习到如何部署安装MMDetection以及如何利用公开数据集测试被训练好的现有模型，本节将讨论如何在标准数据集上训练预定义的模型。MMDetection也为训练检测模型提供了开盖即食的工具。本节将展示在标准数据集（比如 COCO）上如何训练一个预定义的模型。

MMDetection 是一个强大的开源目标检测工具箱，由商汤科技和香港中文大学共同研发维护，它基于PyTorch深度学习框架构建，提供了丰富的目标检测、实例分割、全景分割算法以及相关的组件和模块。本文从深度学习目标检测新手视角出发，基与MMdetection官方文档，对文档中的步骤加以详细解释，完成对MMdetection项目的部署工作以及初步学会使用公开数据集进行模型测试的小目标！