国产无码综合区,色欲AV无码国产永久播放,无码天堂亚洲国产AV,国产日韩欧美女同一区二区

YoloV5+ECVBlock:基于YoloV5-ECVBlock的小目標(biāo)檢測(cè)訓(xùn)練

2年前作者：Mrs.Gril分類：Toy博客閱讀(39)違法舉報(bào)

這篇具有很好參考價(jià)值的文章主要介紹了YoloV5+ECVBlock:基于YoloV5-ECVBlock的小目標(biāo)檢測(cè)訓(xùn)練。希望對(duì)大家有所幫助。如果存在錯(cuò)誤或未考慮完全的地方，請(qǐng)大家不吝賜教，您也可以點(diǎn)擊"舉報(bào)違法"按鈕提交疑問。

目錄

1、前言

2、數(shù)據(jù)集

3、添加ECVBlock

?4、BackBone+ECVBlock

5、Head+ECVBlock

6、訓(xùn)練結(jié)果

6.1 Backbone

6.2 Head

1、前言

YoloV5+ECVBlock:基于YoloV5-ECVBlock的小目標(biāo)檢測(cè)訓(xùn)練

? YoloV5+ECVBlock:基于YoloV5-ECVBlock的小目標(biāo)檢測(cè)訓(xùn)練

視覺特征金字塔在廣泛的應(yīng)用中顯示出其有效性和效率的優(yōu)越性。然而，現(xiàn)有的方法過分地集中于層間特征交互，而忽略了層內(nèi)特征規(guī)則，這是經(jīng)驗(yàn)證明是有益的。盡管一些方法試圖借助注意機(jī)制或視覺變換器學(xué)習(xí)緊湊的層內(nèi)特征表示，但它們忽略了對(duì)密集預(yù)測(cè)任務(wù)很重要的被忽略的角點(diǎn)區(qū)域。為了解決這一問題，本文提出了一種基于全局顯式集中式特征規(guī)則的集中式特征金字塔（CFP）對(duì)象檢測(cè)方法。具體而言，我們首先提出了一種空間顯式視覺中心方案，其中使用輕量級(jí)MLP來捕捉全局長距離依賴關(guān)系，并使用并行可學(xué)習(xí)視覺中心機(jī)制來捕捉輸入圖像的局部角區(qū)域。在此基礎(chǔ)上，我們以自頂向下的方式對(duì)常用的特征金字塔提出了一個(gè)全局集中的規(guī)則，其中使用從最深層內(nèi)特征獲得的顯式視覺中心信息

以調(diào)節(jié)額葉淺部特征。與現(xiàn)有的特征金字塔相比，CFP不僅具有捕獲全局長距離依賴關(guān)系的能力，而且能夠有效地獲得全面但有區(qū)別的特征表示。在具有挑戰(zhàn)性的MS-COCO上的實(shí)驗(yàn)結(jié)果驗(yàn)證了我們提出的CFP能夠在最先進(jìn)的YOLOv5和YOLOX目標(biāo)檢測(cè)基線上實(shí)現(xiàn)一致的性能增益。

YoloV5+ECVBlock:基于YoloV5-ECVBlock的小目標(biāo)檢測(cè)訓(xùn)練

開源得github網(wǎng)址：

https://github.com/QY1994-0919/CFPNethttps://github.com/QY1994-0919/CFPNet

里面得issuse，有提到有人在自己得數(shù)據(jù)有所增強(qiáng)，告訴了怎么添加得位置

2、數(shù)據(jù)集

訓(xùn)練集：930張? 驗(yàn)證集：265張測(cè)試集：130張

可以看到數(shù)據(jù)集中需要檢測(cè)的是圖像的邊緣突出的小毛刺，一方面特備的小，一方面分辨率又不是很高。所以存在極大的難度，目前基于YOLOV5s模型最佳的map也只是0.904

3、添加ECVBlock

#!/usr/bin/env python
# -*- encoding: utf-8 -*-
# Copyright (c) 2014-2021 Megvii Inc. All rights reserved.

import torch
import torch.nn as nn
from torch.nn import functional as F
from .Functions import Encoding, Mean, DropPath, Mlp, GroupNorm, LayerNormChannel, ConvBlock


class SiLU(nn.Module):
    """export-friendly version of nn.SiLU()"""

    @staticmethod
    def forward(x):
        return x * torch.sigmoid(x)


def get_activation(name="silu", inplace=True):
    if name == "silu":
        module = nn.SiLU(inplace=inplace)
    elif name == "relu":
        module = nn.ReLU(inplace=inplace)
    elif name == "lrelu":
        module = nn.LeakyReLU(0.1, inplace=inplace)
    else:
        raise AttributeError("Unsupported act type: {}".format(name))
    return module


class BaseConv(nn.Module):
    """A Conv2d -> Batchnorm -> silu/leaky relu block""" # CBL

    def __init__(
        self, in_channels, out_channels, ksize, stride, groups=1, bias=False, act="silu"
    ):
        super().__init__()
        # same padding
        pad = (ksize - 1) // 2
        self.conv = nn.Conv2d(
            in_channels,
            out_channels,
            kernel_size=ksize,
            stride=stride,
            padding=pad,
            groups=groups,
            bias=bias,
        )
        self.bn = nn.BatchNorm2d(out_channels)
        self.act = get_activation(act, inplace=True)

    def forward(self, x):
        return self.act(self.bn(self.conv(x)))

    def fuseforward(self, x):
        return self.act(self.conv(x))


class DWConv(nn.Module):
    """Depthwise Conv + Conv"""
    def __init__(self, in_channels, out_channels, ksize, stride=1, act="silu"):
        super().__init__()
        self.dconv = BaseConv(
            in_channels,
            in_channels,
            ksize=ksize,
            stride=stride,
            groups=in_channels,
            act=act,
        )
        self.pconv = BaseConv(
            in_channels, out_channels, ksize=1, stride=1, groups=1, act=act
        )

    def forward(self, x):
        x = self.dconv(x)
        return self.pconv(x)


class Bottleneck(nn.Module):
    # Standard bottleneck
    def __init__(
        self,
        in_channels,
        out_channels,
        shortcut=True,
        expansion=0.5,
        depthwise=False,
        act="silu",
    ):
        super().__init__()
        hidden_channels = int(out_channels * expansion)
        Conv = DWConv if depthwise else BaseConv
        self.conv1 = BaseConv(in_channels, hidden_channels, 1, stride=1, act=act)
        self.conv2 = Conv(hidden_channels, out_channels, 3, stride=1, act=act)
        self.use_add = shortcut and in_channels == out_channels

    def forward(self, x):
        y = self.conv2(self.conv1(x))
        if self.use_add:
            y = y + x
        return y


class ResLayer(nn.Module):
    "Residual layer with `in_channels` inputs."

    def __init__(self, in_channels: int):
        super().__init__()
        mid_channels = in_channels // 2
        self.layer1 = BaseConv(
            in_channels, mid_channels, ksize=1, stride=1, act="lrelu"
        )
        self.layer2 = BaseConv(
            mid_channels, in_channels, ksize=3, stride=1, act="lrelu"
        )

    def forward(self, x):
        out = self.layer2(self.layer1(x))
        return x + out


class SPPBottleneck(nn.Module):
    """Spatial pyramid pooling layer used in YOLOv3-SPP"""

    def __init__(
        self, in_channels, out_channels, kernel_sizes=(5, 9, 13), activation="silu"
    ):
        super().__init__()
        hidden_channels = in_channels // 2
        self.conv1 = BaseConv(in_channels, hidden_channels, 1, stride=1, act=activation)
        self.m = nn.ModuleList(
            [
                nn.MaxPool2d(kernel_size=ks, stride=1, padding=ks // 2)
                for ks in kernel_sizes
            ]
        )
        conv2_channels = hidden_channels * (len(kernel_sizes) + 1)
        self.conv2 = BaseConv(conv2_channels, out_channels, 1, stride=1, act=activation)

    def forward(self, x):
        x = self.conv1(x)
        x = torch.cat([x] + [m(x) for m in self.m], dim=1)
        x = self.conv2(x)
        return x


class CSPLayer(nn.Module):
    """C3 in yolov5, CSP Bottleneck with 3 convolutions"""

    def __init__(
        self,
        in_channels,
        out_channels,
        n=1,
        shortcut=True,
        expansion=0.5,
        depthwise=False,
        act="silu",
    ):
        """
        Args:
            in_channels (int): input channels.
            out_channels (int): output channels.
            n (int): number of Bottlenecks. Default value: 1.
        """
        # ch_in, ch_out, number, shortcut, groups, expansion
        super().__init__()
        hidden_channels = int(out_channels * expansion)  # hidden channels
        self.conv1 = BaseConv(in_channels, hidden_channels, 1, stride=1, act=act)
        self.conv2 = BaseConv(in_channels, hidden_channels, 1, stride=1, act=act)
        self.conv3 = BaseConv(2 * hidden_channels, out_channels, 1, stride=1, act=act)
        module_list = [
            Bottleneck(
                hidden_channels, hidden_channels, shortcut, 1.0, depthwise, act=act
            )
            for _ in range(n)
        ]
        self.m = nn.Sequential(*module_list)

    def forward(self, x):
        x_1 = self.conv1(x)
        x_2 = self.conv2(x)
        x_1 = self.m(x_1)
        x = torch.cat((x_1, x_2), dim=1)
        return self.conv3(x)


class Focus(nn.Module):
    """Focus width and height information into channel space."""

    def __init__(self, in_channels, out_channels, ksize=1, stride=1, act="silu"):
        super().__init__()
        self.conv = BaseConv(in_channels * 4, out_channels, ksize, stride, act=act)

    def forward(self, x):
        # shape of x (b,c,w,h) -> y(b,4c,w/2,h/2)
        patch_top_left = x[..., ::2, ::2]
        patch_top_right = x[..., ::2, 1::2]
        patch_bot_left = x[..., 1::2, ::2]
        patch_bot_right = x[..., 1::2, 1::2]
        x = torch.cat(
            (
                patch_top_left,
                patch_bot_left,
                patch_top_right,
                patch_bot_right,
            ),
            dim=1,
        )
        return self.conv(x)


class LVCBlock(nn.Module):
    def __init__(self, in_channels, out_channels, num_codes, channel_ratio=0.25, base_channel=64):
        super(LVCBlock, self).__init__()
        self.out_channels = out_channels
        self.num_codes = num_codes
        num_codes = 64

        self.conv_1 = ConvBlock(in_channels=in_channels, out_channels=in_channels, res_conv=True, stride=1)

        self.LVC = nn.Sequential(
            nn.Conv2d(in_channels, in_channels, 1, bias=False),
            nn.BatchNorm2d(in_channels),
            nn.ReLU(inplace=True),
            Encoding(in_channels=in_channels, num_codes=num_codes),
            nn.BatchNorm1d(num_codes),
            nn.ReLU(inplace=True),
            Mean(dim=1))
        self.fc = nn.Sequential(nn.Linear(in_channels, in_channels), nn.Sigmoid())

    def forward(self, x):
        x = self.conv_1(x, return_x_2=False)
        en = self.LVC(x)
        gam = self.fc(en)
        b, in_channels, _, _ = x.size()
        y = gam.view(b, in_channels, 1, 1)
        x = F.relu_(x + x * y)
        return x


# LightMLPBlock
class LightMLPBlock(nn.Module):
    def __init__(self, in_channels, out_channels, ksize=1, stride=1, act="silu",
    mlp_ratio=4., drop=0., act_layer=nn.GELU, 
    use_layer_scale=True, layer_scale_init_value=1e-5, drop_path=0., norm_layer=GroupNorm):  # act_layer=nn.GELU,
        super().__init__()
        self.dw = DWConv(in_channels, out_channels, ksize=1, stride=1, act="silu")
        self.linear = nn.Linear(out_channels, out_channels)  # learnable position embedding
        self.out_channels = out_channels

        self.norm1 = norm_layer(in_channels)
        self.norm2 = norm_layer(in_channels)

        mlp_hidden_dim = int(in_channels * mlp_ratio)
        self.mlp = Mlp(in_features=in_channels, hidden_features=mlp_hidden_dim, act_layer=nn.GELU,
                       drop=drop)

        self.drop_path = DropPath(drop_path) if drop_path > 0. \
            else nn.Identity()

        self.use_layer_scale = use_layer_scale
        if use_layer_scale:
            self.layer_scale_1 = nn.Parameter(
                layer_scale_init_value * torch.ones((out_channels)), requires_grad=True)
            self.layer_scale_2 = nn.Parameter(
                layer_scale_init_value * torch.ones((out_channels)), requires_grad=True)

    def forward(self, x):
        if self.use_layer_scale:
            x = x + self.drop_path(self.layer_scale_1.unsqueeze(-1).unsqueeze(-1) * self.dw(self.norm1(x)))
            x = x + self.drop_path(self.layer_scale_2.unsqueeze(-1).unsqueeze(-1) * self.mlp(self.norm2(x)))
        else:
            x = x + self.drop_path(self.dw(self.norm1(x)))
            x = x + self.drop_path(self.mlp(self.norm2(x)))
        return x


# EVCBlock
class EVCBlock(nn.Module):
    def __init__(self, in_channels, out_channels, channel_ratio=4, base_channel=16):
        super().__init__()
        expansion = 2
        ch = out_channels * expansion
        # Stem stage: get the feature maps by conv block (copied form resnet.py) 進(jìn)入conformer框架之前的處理
        self.conv1 = nn.Conv2d(in_channels, in_channels, kernel_size=7, stride=1, padding=3, bias=False)  # 1 / 2 [112, 112]
        self.bn1 = nn.BatchNorm2d(in_channels)
        self.act1 = nn.ReLU(inplace=True)
        self.maxpool = nn.MaxPool2d(kernel_size=3, stride=1, padding=1)  # 1 / 4 [56, 56]

        # LVC
        self.lvc = LVCBlock(in_channels=in_channels, out_channels=out_channels, num_codes=64)  # c1值暫時(shí)未定
        # LightMLPBlock
        self.l_MLP = LightMLPBlock(in_channels, out_channels, ksize=1, stride=1, act="silu", act_layer=nn.GELU, mlp_ratio=4., drop=0.,
                                     use_layer_scale=True, layer_scale_init_value=1e-5, drop_path=0., norm_layer=GroupNorm)
        self.cnv1 = nn.Conv2d(ch, out_channels, kernel_size=1, stride=1, padding=0)

    def forward(self, x):
        x1 = self.maxpool(self.act1(self.bn1(self.conv1(x))))
        # LVCBlock
        x_lvc = self.lvc(x1)
        # LightMLPBlock
        x_lmlp = self.l_MLP(x1)
        # concat
        x = torch.cat((x_lvc, x_lmlp), dim=1)
        x = self.cnv1(x)
        return x

?4、BackBone+ECVBlock

Yaml文件：


nc: 80  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],     # 4
   [-1, 1, EVCBlock, [256, 256]], # update
   [-2, 1, Conv, [512, 3, 2]],  # 6-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 8-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 10
  ]

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 7], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 5], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 15], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 11], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[18, 21, 24], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

5、Head+ECVBlock

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [-1, 1, EVCBlock, [512, 512]], # update
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4 -2 輸出
   [-1, 3, C3, [512, False]],  # 13 ---

   [-1, 1, Conv, [256, 1, 1]], # 
   [-1, 1, nn.Upsample, [None, 2, 'nearest']], 
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3 # 512
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 15], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[18, 21, 24], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

6、訓(xùn)練結(jié)果

6.1 Backbone

Yolov5s+ECVBlock

YoloV5+ECVBlock:基于YoloV5-ECVBlock的小目標(biāo)檢測(cè)訓(xùn)練

YOLOV5S:

YoloV5+ECVBlock:基于YoloV5-ECVBlock的小目標(biāo)檢測(cè)訓(xùn)練

6.2 Head

YoloV5+ECVBlock:基于YoloV5-ECVBlock的小目標(biāo)檢測(cè)訓(xùn)練

。。。。。。。。。。。。。。。怎么說呢? 就是感覺可能在自己的數(shù)據(jù)上不是很好吧。文章來源地址http://www.zghlxwxcb.cn/news/detail-445727.html

到了這里，關(guān)于YoloV5+ECVBlock:基于YoloV5-ECVBlock的小目標(biāo)檢測(cè)訓(xùn)練的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！

本文來自互聯(lián)網(wǎng)用戶投稿，該文觀點(diǎn)僅代表作者本人，不代表本站立場(chǎng)。本站僅提供信息存儲(chǔ)空間服務(wù)，不擁有所有權(quán)，不承擔(dān)相關(guān)法律責(zé)任。如若轉(zhuǎn)載，請(qǐng)注明出處：如若內(nèi)容造成侵權(quán)/違法違規(guī)/事實(shí)不符，請(qǐng)點(diǎn)擊違法舉報(bào)進(jìn)行投訴反饋，一經(jīng)查實(shí)，立即刪除！

分享到：

領(lǐng)支付寶紅包贊助服務(wù)器費(fèi)用

YOLOv8/YOLOv7/YOLOv5/YOLOv4/Faster-rcnn系列算法改進(jìn)【NO.69】針對(duì)遙感圖像目標(biāo)檢測(cè)中的小目標(biāo)進(jìn)行改進(jìn)CATnet（ContextAggregation模塊）
前言作為當(dāng)前先進(jìn)的深度學(xué)習(xí)目標(biāo)檢測(cè)算法YOLOv8，已經(jīng)集合了大量的trick，但是還是有提高和改進(jìn)的空間，針對(duì)具體應(yīng)用場(chǎng)景下的檢測(cè)難點(diǎn)，可以不同的改進(jìn)方法。此后的系列文章，將重點(diǎn)對(duì)YOLOv8的如何改進(jìn)進(jìn)行詳細(xì)的介紹，目的是為了給那些搞科研的同學(xué)需要?jiǎng)?chuàng)新點(diǎn)或者搞
2024年02月11日
瀏覽(35)
基于YOLOv5的水下海洋目標(biāo)檢測(cè)
摘要：水下海洋目標(biāo)檢測(cè)技術(shù)具有廣泛的應(yīng)用前景，可以用于海洋環(huán)境監(jiān)測(cè)、海洋資源開發(fā)、海洋生物學(xué)研究等領(lǐng)域。本文提出了一種基于 YOLOv5 的水下海洋目標(biāo)檢測(cè)方法，使用數(shù)據(jù)增強(qiáng)方法進(jìn)行了大量實(shí)驗(yàn)，并與其他方法進(jìn)行了對(duì)比，實(shí)現(xiàn)了在檢測(cè)各種不同的海洋環(huán)境和水
2023年04月15日
瀏覽(17)
基于Yolov5的目標(biāo)檢測(cè)（以口罩檢測(cè)為例）
口罩?jǐn)?shù)據(jù)集：GitHub - X-zhangyang/Real-World-Masked-Face-Dataset: Real-World Masked Face Dataset，口罩人臉數(shù)據(jù)集 yolov5 源碼： GitHub - ultralytics/yolov5: YOLOv5 ?? in PyTorch ONNX CoreML TFLite 1.? 基于區(qū)域提取的兩階段目標(biāo)檢測(cè) 1.1 SPP-Net 1.2 R-CNN ?1.3 FAST R-CNN ?1.4 FASTER-CNN 2.? 基于回歸的單階段為目標(biāo)檢測(cè)
2024年02月08日
瀏覽(24)
漲點(diǎn)技巧：基于Yolov5的微小目標(biāo)檢測(cè)，多頭檢測(cè)頭提升小目標(biāo)檢測(cè)精度
目錄 1.Yolov5小目標(biāo)介紹 1.1 小目標(biāo)定義 1.2 小目標(biāo)難點(diǎn) 2.Yolov5 小目標(biāo)檢測(cè)實(shí)現(xiàn)
2024年02月04日
瀏覽(26)
基于YOLOv5 來訓(xùn)練頭盔目標(biāo)檢測(cè)-附源碼
建筑工地頭部頭盔檢測(cè)，基于目標(biāo)檢測(cè)工地安全帽和禁入危險(xiǎn)區(qū)域識(shí)別系統(tǒng)，????附Y(jié)OLOv5訓(xùn)練自己的數(shù)據(jù)集超詳細(xì)教程?。?！目錄指標(biāo) yolov5s 為基礎(chǔ)訓(xùn)練，epoch = 50 yolov5m 為基礎(chǔ)訓(xùn)練，epoch = 100
2024年02月13日
瀏覽(23)
目標(biāo)檢測(cè)論文解讀復(fù)現(xiàn)之十：基于YOLOv5的遙感圖像目標(biāo)檢測(cè)（代碼已復(fù)現(xiàn)）
前言 ? ? ? ?此前出了目標(biāo)改進(jìn)算法專欄，但是對(duì)于應(yīng)用于什么場(chǎng)景，需要什么改進(jìn)方法對(duì)應(yīng)與自己的應(yīng)用場(chǎng)景有效果，并且多少改進(jìn)點(diǎn)能發(fā)什么水平的文章，為解決大家的困惑，此系列文章旨在給大家解讀最新目標(biāo)檢測(cè)算法論文，幫助大家解答疑惑。解讀的系列文章，本人
2024年02月06日
瀏覽(31)
實(shí)踐航拍小目標(biāo)檢測(cè)，基于輕量級(jí)YOLOv8n開發(fā)構(gòu)建無人機(jī)航拍場(chǎng)景下的小目標(biāo)檢測(cè)識(shí)別分析系統(tǒng)
關(guān)于無人機(jī)相關(guān)的場(chǎng)景在我們之前的博文也有一些比較早期的實(shí)踐，感興趣的話可以自行移步閱讀即可：《deepLabV3Plus實(shí)現(xiàn)無人機(jī)航拍目標(biāo)分割識(shí)別系統(tǒng)》《基于目標(biāo)檢測(cè)的無人機(jī)航拍場(chǎng)景下小目標(biāo)檢測(cè)實(shí)踐》《助力環(huán)保河道水質(zhì)監(jiān)測(cè)，基于yolov5全系列模型【n/s/m/l/x】開發(fā)構(gòu)
2024年03月11日
瀏覽(32)
基于yolov5的遙感圖像目標(biāo)檢測(cè)（NWPU VHR-10）
最近在做畢設(shè)，感覺網(wǎng)上信息不是很全，把自己的訓(xùn)練過程寫下來供做這個(gè)方向的友友學(xué)習(xí)。只有簡(jiǎn)單的復(fù)現(xiàn)，其余的還沒探索到。首先就是數(shù)據(jù)集：我用的數(shù)據(jù)集是西工大發(fā)布的數(shù)據(jù)集，NWPU VHR-10 鏈接：https://pan.baidu.com/s/1vfhDU2ORWUpL-aGM1PllGw? 提取碼：d5au 西工大數(shù)據(jù)集有十
2023年04月25日
瀏覽(20)
【目標(biāo)檢測(cè)】基于yolov5的交通標(biāo)志檢測(cè)和識(shí)別(附代碼和數(shù)據(jù)集)
寫在前面：首先感謝兄弟們的關(guān)注和訂閱，讓我有創(chuàng)作的動(dòng)力，在創(chuàng)作過程我會(huì)盡最大能力，保證作品的質(zhì)量，如果有問題，可以私信我，讓我們攜手共進(jìn)，共創(chuàng)輝煌。（專欄訂閱用戶訂閱專欄后免費(fèi)提供數(shù)據(jù)集和源碼一份，超級(jí)VIP用戶不在服務(wù)范圍之內(nèi)，不想訂閱專欄的
2024年02月04日
瀏覽(24)
目標(biāo)檢測(cè)YOLO實(shí)戰(zhàn)應(yīng)用案例100講-基于深度學(xué)習(xí)的航拍圖像YOLOv5目標(biāo)檢測(cè)(論文篇)（續(xù)）
目錄基礎(chǔ)理論及相關(guān)技術(shù)? 2.1 深度學(xué)習(xí)基礎(chǔ)理論?
2024年04月16日
瀏覽(27)

<dd id="lyddz"></dd>