<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[xiahan_qian的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/xiahan_qian</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; xiahan_qian]]></copyright><item><title><![CDATA[Pyinstaller将yolov5的detect.py封装成detect.exe，并用C++调用]]></title><link>https://blog.youkuaiyun.com/xiahan_qian/article/details/125657702</link><guid>https://blog.youkuaiyun.com/xiahan_qian/article/details/125657702</guid><author>xiahan_qian</author><pubDate>Thu, 07 Jul 2022 15:05:18 +0800</pubDate><description><![CDATA[最近用pyinstaller打包了yolov5的detect.py，记录一下过程]]></description><category></category></item><item><title><![CDATA[YOLOv5之Focus与6x6卷积的理解]]></title><link>https://blog.youkuaiyun.com/xiahan_qian/article/details/125086079</link><guid>https://blog.youkuaiyun.com/xiahan_qian/article/details/125086079</guid><author>xiahan_qian</author><pubDate>Thu, 02 Jun 2022 12:30:40 +0800</pubDate><description><![CDATA[最近正在学习yolov5算法，以yolov5s模型为例，其中的foucs模块有何作用？之后被改成了一个k=6的卷积层，为什么较大的卷积核进行卷积比focus模块更有效呢？]]></description><category></category></item><item><title><![CDATA[Yolov4详解]]></title><link>https://blog.youkuaiyun.com/xiahan_qian/article/details/124122458</link><guid>https://blog.youkuaiyun.com/xiahan_qian/article/details/124122458</guid><author>xiahan_qian</author><pubDate>Thu, 26 May 2022 11:31:50 +0800</pubDate><description><![CDATA[文章目录前言一、Yolov4网络结构1.backbone：CSP Darknet-532.SPP池化3.PAN和Yolo head二、改进点1.Mosaic数据增强2.anchor偏移机制3.正负样本匹配4.Loss

前言
上一篇文章我们讨论了yolov3，yolov3在速度与精度上达到了一个较好的平衡，堪称经典之作，可惜在yolov3之后的原作者Joseph Redmon因为yolo的军事应用和对他人个人隐私风险而退出了yolo系列的研究，从此cv界痛失一员大将.但是经典之作总会源远流长，即使yolo原]]></description><category></category></item><item><title><![CDATA[YOLOv3详解]]></title><link>https://blog.youkuaiyun.com/xiahan_qian/article/details/124897269</link><guid>https://blog.youkuaiyun.com/xiahan_qian/article/details/124897269</guid><author>xiahan_qian</author><pubDate>Mon, 23 May 2022 15:22:08 +0800</pubDate><description><![CDATA[前言
yolo算法是一种one-stage的目标检测算法，与two-stage最大区别在于，YOLO系列算法将图片划分成若干个网格，再基于anchor机制生成先验框，只用一步就生成检测框，这种方法大大提升了算法的预测速度，今天我们主要讲的是YOLOv4算法的主要实现过程，YOLOv4的论文于2020年发表在CVPR上，相对于YOLOv3的主要改动有以下几部分，mos.]]></description><category></category></item></channel></rss>