目标检测、目标分割：常用框架与流程（流程包括：数据集标注与格式预处理、训练与推理、训练优化、算法代码以及原理）

1.目标检测（矩形框）：

①常用模型YOLO5：

1°入门使用，具体见这篇博客

YOLOv5训练自己的数据集（超详细完整版）_深度学习菜鸟的博客-CSDN博客_yolov5训练自己的数据

（补充说明：其中的数据一开始是VOC格式自定义数据集，因此建议直接使用labelImg来标注自己的数据，导出直接是VOC格式）

训练技巧与优化：

官网中的：  https://github.com/ultralytics/yolov5/blob/master/README.zh-CN.md

竞赛经验｜Kaggle竞赛中使用YoloV5将物体检测的性能翻倍的心路历程

2°训练结束后看训练结果，看这些博客：

yolov5 训练结果解析_sinat_37322535的博客-CSDN博客_yolov5训练结果分析

目标检测中的mAP是什么含义？ - 知乎

3°YOLO5原理与代码解读

你一定从未看过如此通俗易懂的YOLO系列（从V1到V5）模型解读！

深入浅出Yolo系列之Yolov5核心基础知识完整讲解_江大白*的博客-CSDN博客_yolov5（强烈推荐）

Yolov5总结文档(理论、代码、实验结果)YoloV5代码详细解读_浩瀚之水_csdn的博客-CSDN博客_yolov5代码解读Yolov5总结文档(理论、代码、实验结果)

也可以通过Bibilili等搜索yolo5优化相关，例如加入多层小目标检测层。

​​​​​​​
②常用框架：mmdetection

mmdetection/README_zh-CN.md at master · open-mmlab/mmdetection · GitHub

https://mmdetection.readthedocs.io/_/downloads/zh_CN/latest/pdf/

其中，

1°安装（可以参考里面的“从零开始设置脚本”那一节）：https://github.com/open-mmlab/mmdetection/blob/master/docs/zh_cn/get_started.md

2°自定义数据集看这篇：

mmdetection/2_new_data_model.md at master · open-mmlab/mmdetection · GitHub

其中，建议使用COCO格式的自定义数据集，因此我们可以使用labelme工具标记数据（矩形框），然后可以参考这篇：

​​​​​​目标检测前奏：labelme的矩形框标记好数据以后，转成COCO格式_starDu-CSDN博客_labelme转coco 目标检测

③常用框架：百度飞浆paddlepaddle

 视频学习教程：飞桨AI Studio - 人工智能学习与实训社区

GitHub - PaddlePaddle/PaddleDetection: Object Detection toolkit based on PaddlePaddle. It supports object detection, instance segmentation, multiple object tracking and real-time multi-person keypoint detection.

Paddle/README_cn.md at develop · PaddlePaddle/Paddle · GitHub

https://github.com/PaddlePaddle/awesome-DeepLearning  （工业项目案例，建议以此作为入门实战，例如目标检测的话可以学习里面的头盔检测，包括优化模型思路）

④YoloX模型：

“白话”目标检测系列：YOLO X

【深度学习】解决YOLOX训练时AP为0_MangoloD的博客-CSDN博客_扫描到的ap数目为0

2.目标分割（多边形框）：

①yolo5 V7.0目前支持目标分割了（另外也支持目标分类）-2022.12.12

官网去下载使用即可，已亲测可用：

GitHub - ultralytics/yolov5: YOLOv5 in PyTorch > ONNX > CoreML > TFLite

②常用框mmmdetection

mmdetection/README_zh-CN.md at master · open-mmlab/mmdetection · GitHub

其中，自定义数据集看这篇：

mmdetection/2_new_data_model.md at master · open-mmlab/mmdetection · GitHub

建议使用COCO格式的自定义数据集，因此我们可以使用labelme工具标记数据（多边形框），可以参考这篇来制作COCO数据集（多边形）：

labelme标注格式转coco格式_1037号森林里一段干木头的博客-CSDN博客

（备注：转化建议在linux下可成功运行，windows下运行可能会报错）

③常用框架：百度飞浆paddlepaddle

Paddle/README_cn.md at develop · PaddlePaddle/Paddle · GitHub

https://github.com/PaddlePaddle/awesome-DeepLearning  （工业项目案例，建议以此作为入门实战，目标分割的话例如里面的钢材缺陷检测）

视频学习教程：飞桨AI Studio - 人工智能学习与实训社区

3.把以上算法的推理做成应用

①C/S架构，单机版

做界面的常用方法有：C#的话有自带图形界面控件；c++的话有MFC、C++版本的QT；python的话可以选择PyQT【第五节】PyQt5事件和信号-PyQt5中文教程，然后调用深度学习算法（一般为python编写，封装在docker里面，提供post接口与外部联系）的时候，假如出现按钮卡顿等现象，界面可以使用多线程解决。

②B/S架构==算法推理异步（并行）：

1°框架mmdetection是直接带有并行推理的例子的；

2°框架paddlePaddle，有server以及K8s分布式推理接口

3°yolov5,可以官网教程看看(好像推出了支持分布式推理以及云服务)

4°假如需要自己写的话，也可以学习以下常用模式：{python的并发例子+flask等web框架提供算法post端口+docker封装算法}，相关学习资料如下：

实战教程｜基于 docker 和 Flask 的深度学习模型部署！

Python3 多线程 | 菜鸟教程

使用Web框架 - 廖雪峰的官方网站

4.他人打榜：实战经验

水下目标检测算法赛解决方案分享 | 2020年全国水下机器人（湛江）大赛 -

水下目标检测赛获奖解决方案https://code.ihub.org.cn/projects/33630

天池篡改赛Rank 5方案（含第一名Code）

5.嵌入式设备（例如瑞芯微板卡）跑yolo5推理模型

1°其实最简单的话，是直接用英伟达的带GPU的嵌入式设备（NVIDIA Jetson），适配等工作做得好，易用性高。支持国产设备的话，有百度、华为昇腾、寒武纪、瑞芯微等AI嵌入式产品，可能用起来需要花时间多一些，中间的坑多一些，但优点是支持国货，还有例如瑞芯微的板子体积比较小，便宜些。

2°瑞芯微板卡跑yolo5推理模型可以参考：先在yolo5官网查看.pt转成.onnx步骤，然后再把.onnx转成.rkkt，具体步骤可以参考：

利用瑞芯微3399Pro推理yoloV5s目标检测模型：踩坑笔记_starDuXY的博客-CSDN博客_rknn yolov5