zyw2002的博客

YOLOv8 算法的核心特性和改动可以归结为如下：提供了一个全新的 SOTA 模型，包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 YOLACT 的实例分割模型。和 YOLOv5 一样，基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型，用于满足不同场景需求Backbone骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想，将 YOLOv5 的C3结构换成了梯度流更丰富的C2f结构，并对不同尺度模型调整了不同的通道数。

下载地址：PyTorch-YOLOv3源码下载地址预训练权重coco 数据集：http://images.cocodataset.org/zips/val2014.ziphttp://images.cocodataset.org/zips/train2014.zip参考资料：yolov3源码解析https://blog.youkuaiyun.com/qq_24739717/article/details/92399359create_custom_model.sh 脚本文件：用户自定义自己的模型，运行此

cuda10.2官网下载地址在这一步时，一定要按键取消Driver安装，因为我们先前已经安装好了显卡驱动。（ 表示不会安装，表示安装）添加如下环境变量：让环境变量生效检查是否安装成功安装CUDNN安装Cudnn安装Anaconda选择相应的版本进行下载安装Anaconda初始化环境变量启动Anaconda退出Anaconda搭建虚拟环境新建虚拟环境安装pytorchPycharm 远程连接代码同步选择→→

数据集和代码的准备yolov5源码下载yolov5官方下载地址数据集的下载直接下载别人制作好的数据集Mask Wearing Dataset 下载然后将其放入与yolov5-master同级的目录下。打开MaskDataSet ，可以看到其目录结构如下：images文件夹下的图片lables文件夹下对应的同名txt文件。data.yaml ： train 和val 分别制定了训练集和测试集文件夹相对于yolov5-master的路径。nc指定了标签的个数一共两个。name

yolov1论文精读

物体识别综述

yolov3论文精读

文章目录Bag of freebies(BOF)数据增强网络正则化的方法类别不平衡，损失函数设计Bag of specials(BOS)SPPNet(Spatial Pyramid Pooling)CSPNet（Cross Stage Partial Network）CBAM（Convolutional Block Attention Module）PAN(Path Aggregation Network)激活函数Misheliminate grid sensitivity整体网络架构Bag of fre

本文提出的最先进的，实时目标检测系统算法是YOLO9000,可以检测超过9000个目标类别。该算法是在YOLOv1的基础上改进得到的。YOLO9000使用一种新颖的多尺度训练方法(multi-scale training method)，相同的YOLOv2模型可以运行在不同的大小的图片上，权衡(t

Precision: 描述的是找对的概率Recall: 描述的是找全的概率一般来说，准确率和找回率不能同时兼顾，一个高另一个就相对变低。改变阈值（IOU大于一定的阈值，就被判为正样本），可以得到不同的precision和recall, 然后做出presion - recall 的图（一般叫做PR图）去上限求出与x轴围成的阴影的面积就是AP的值。如上图就是长方形A1，A2，A3,A4的面积之和。对每个类别都计算出AP，求均值得到mAP核心思想：输入数据 一张图片 ——> 然后把图片分割成7*7的网格