zqwwwm的博客

大家好，我是张大刀。上文中提到了yolov7的正负样本匹配策略，这里主要从0开始训练自己的数据集。首先大刀是在windows电脑端完成数据集的标注，linux ubuntu系统中完成模型的训练。对windows系统电脑无要求，训练的电脑最好有gpu（没有gpu在cpu下也能训练，就是速度感人）默认大家已经有conda的环境，如果没有的话，请参考)......

细节剖析yolov7正负样本匹配策略，并于yolov5 v6对比。

在yolov5霸屏计算机视觉领域很久时，六月处美团开源了yolov6，并号称在精度和速度上均超越其他同量级的计算机视觉模型，刚刚瞅了一眼，star已经超过2.8k。网上基于yolov6的解读有很多，文末会附上美团的官方解读和开源代码的github链接。文本开始yolov6系列，先和大家分享下整个yolov6的网络架构（基于tag0.1版本的yolov6s），后续再基于各个模块根据自己的理解分享给大家。.........

更多内容关注公众号“张大刀”大家好，我是张大刀，前两天写完目标检测的评价标准map后，有人在后台私信我如果map只能对目标检测大概评价，那具体到具体项目，真的要每次自己去将检测结果过一遍，人为去发现漏检和误检的数据特征吗？额，作为人工智能当然不允许这样的事情发生。想起来之前在公众号中写到的TIDE模块，开始以为是某one的实用模块，后来才发现原来大佬是发了ECCV2020，孤陋寡闻了。。立马拜读下。这一拜读后，竟然发现很多惊喜。对于目标检测，常见使用map做为评价指标，详情可以看《【小白入坑篇】目标

导言Vision Transformers (ViT)在2020年Dosovitskiy et. al.提出后，在计算机视觉领域逐渐占领主导位置，在图像分类以及目标检测、语义分割等下游任务中获得了很好的性能，掀起transformer系列在CV领域的浪潮。这里将介绍如何从头开始基于tensorflow 框架一步步实现ViT模型。前言上一篇我们写了基于pytorch版本实现ViT模型，感兴趣点击这里，应大家要求，今天将实战如何从头开始实现我的第一个 ViT（使用 tensorflow版本），如果你还没有

更多内容关注公众号“所向披靡的张大刀”导言Vision Transformers (ViT)在2020年Dosovitskiy et. al.提出后，在计算机视觉领域逐渐占领主导位置，在图像分类以及目标检测、语义分割等下游任务中获得了很好的性能，掀起transformer系列在CV领域的浪潮。这里将介绍如何从头开始基于Pytorch 框架一步步实现ViT模型。前言如果你还没有熟悉自然语言处理（NLP）中使用的Transformer模型，可能会对transformer在CV领域的应用有点懵圈，对ViT

2021年4月份发布的 YOLOv5:v5版本，2021年10月份发布的 YOLOv5:v6版本发布了更小的Nano模型YOLOv5n和YOLOv5n6一. 改进的方面整合了 Roboflow，使用Roboflow来组织、标注、准备、版本化和托管用于训练YOLOv5模型的数据集，Roboflow上有很多公开的数据集。二. 当采用多机多卡训练时，出现了以下问题TypeError: barrier() got an unexpected keyword argument ‘device_ids’代

前言      卷积神经网络（ConvNets或CNNs）作为一类神经网络，托起cv的发展，本文主要介绍卷积神经网络的另外一个操作——池化操作，其原理，并以小白视角，完成池化从0到1的numpy实现。1      作为小白入坑篇系列，开始今天的算子池化，错过其他算子的请关注公众号所向披靡的张大刀后台领取。      池化一词开始视觉机制，指的是资源的合并、整合，英文为pooling，中文直译过来即为池化。池化操作（也称为子采样或下采样）主要为了降低每个特征图的维数，可以减少参数矩阵的尺寸，从而减少最

前言  卷积神经网络（ConvNets或CNNs）作为一类神经网络，托起cv的发展，本文主要介绍卷积神经网络的灵魂——卷积操作，其原理，并以小白视角，完成卷积从0到1的numpy实现。1   卷积神经网络（ConvNets或CNNs）作为人工智能的入门神经网络，已被广泛用于图像识别和分类等领域。除了为机器人和自动驾驶汽车提供视觉之外，ConvNets 在识别人脸、物体和交通标志方面也应用广泛。其中卷积操作作为cnn的灵魂，其出现加快了人工智能的发展。  卷积一词一开始出现在数学中，为了表示一个函数对

导语一般来说，物体检测一般使用map来评价目标检测的检测效果，如果检测效果不好时，我们需要深入了解如何哪些数据检测效果不好，如何调试模型的性能以及如何优化它获得更好的性能。这时一个好的开源库 TIDE 则可以准确实现对象检测，对于提高物体检测的模型的准确性有很大指导方向。01目标检测评价标准map在目标检测中，评价模型好坏主要有两个关键方面：速度和准确性，一般的模型会在两者之间权衡，这里我们主要专注于分析模型的准确性。简而言之，目标检测预测一张图片中对象的类别、位置以及置信度。因此检测对象是由三

yolov5中数据读取并转换成训练格式主要涉及到四点：数据读取cache缓存数据增强与label对应其他一些辅助函数class LoadImagesAndLabels(Dataset)class LoadImagesAndLabels(Dataset): # YOLOv5 train_loader/val_loader, loads images and labels for training and validation cache_version = 0.5 # da

yolov5 数据增强代码主要有以下几种方式：class Albumentations # 数据增强package,比pytorch 自带的transform 更丰富def augment_hsv(im, hgain=0.5, sgain=0.5, vgain=0.5) # 图像增强方式，hgain 是色调，不同色调不同颜色，sgain是饱和度， vgain是亮度def hist_equalize(im, clahe=True, bgr=False):# 采用自适应直方图均衡化做图像增强def r

yolov5多GPU训练显存低修改前：按照配置，在train.py配置如下：运行 python train.py 后nvidia-smi 显示显存占用如下：修改后参考yolov5 官方中的issue中，有人提到的分布式多进程的方法：在yolov5运行的虚拟环境下，找到torch的distributed 的环境：比如我的在conda3/envs/rcnn/lib/python3.6/site-packages/torch/distributed/；在distributed文件下，新建多进程的