YOLOv5问题汇总

【教程】-在rknn-toolkit2模拟器中验证测试语义分割模型Yolov5-seg

yolov5下载地址：ultralytics/yolov5atv7.0(github.com)训练和如何导出ONNX这里就不说了，yolov5已经是非常成熟的算法了，网上有其数不清的教程，所以这里就不
计算机幻觉·2023-10-24 23:39

YOLOv8优化：独家创新（Partial_C_Detect）检测头结构创新，实现涨点 | 检测头新颖创新系列

独家创新（Partial_C_Detect）检测头结构创新，适合科研创新度十足，强烈推荐Partial_C_Detect|亲测在多个数据集能够实现大幅涨点Yolov8魔术师，独家首发创新（原创），适用于Yolov5
AI小怪兽·2023-10-24 21:06

深度学习标注工具（包括自动标注）总结——持续更新

首次记录日期2023年10月24日名称导出格式支持形状地址1anylabeling支持yolov5和v8，自动标注的软件沿物体轮廓分割https://github.com/vietanhdev/anylabeling2RectLabel
大胡子大叔·2023-10-24 21:12

YOLOv5/YOLOv7损失函数改进：SlideLoss创新升级，结合IOU动态调整困难样本的困难程度，提升小目标、遮挡物性能

Yolov5/Yolov7魔术师，独家首发创新（原创），适用于Yolov5、Yolov7、Yolov8等各个Yolo系列，专栏文章提供每一步步骤和源码，轻松带你上手魔改网络重点：通过本专栏的阅读，后续你也可以
AI小怪兽·2023-10-24 19:32

目标检测YOLO实战应用案例100讲-基于YOLOv5的航拍图像旋转目标检测（下）

目录无边界问题的旋转框回归损失函数R-CIoULoss4.1现存的可缓解边界问题的损失函数4.1.1平滑交并比损失
林聪木·2023-10-24 13:39

【C++软件开发】面试经典问题汇总

一：指针和引用的区别指针是一个新的变量，指向另一个变量的地址，我们可以通过访问这个地址来修改另一个变量；而引用是一个别名，对引用的操作就是对变量的本身进行操作指针可以有多级，引用只有一级传参的时候，使用指针的话需要解引用才能对参数进行修改，而使用引用可以直接对参数进行修改指针的大小一般是4个字节，引用的大小取决于被引用对象的大小（指的是使用sizeof运算符得到的结果，引用本质上还是使用指针，因此
chenruhan_QAQ_·2023-10-24 10:55

YOLOv5独家最新改进《新颖高效AsDDet检测头》VisDrone数据集mAP涨点1.4%，即插即用｜检测头新颖改进，性能高效涨点

本篇内容：YOLOv5独家最新改进《新颖高效AsDDet检测头》VisDrone数据集mAP涨点1.4%，即插即用｜检测头新颖改进，性能高效涨点本博客YOLO系列+全新新颖原创高效AsDDet检测头改进创新点改进源代码改进适用于
芒果汁没有芒果·2023-10-24 09:02

YOLOv7和YOLOv5对比

YOLOv7和YOLOv5是YOLO的不同版本，其中YOLOv7是较新的版本。在计算效率和精度方面，YOLOv7相对YOLOv5有所提升。
优游的鱼·2023-10-24 07:35

YOLOv5：修改backbone为SPD-Conv

YOLOv5：修改backbone为SPD-Conv前言前提条件相关介绍SPD-ConvYOLOv5修改backbone为SPD-Conv修改common.py修改yolo.py修改yolov5.yaml
FriendshipT·2023-10-24 07:57

Python合并同类别且相交的矩形框

更多精彩内容，可点击进入Python日常小操作专栏、YOLO系列专栏、自然语言处理专栏或我的个人主页查看基于DETR的人脸伪装检测YOLOv7训练自己的数据集（口罩检测）YOLOv8训练自己的数据集（足球检测）YOLOv5
FriendshipT·2023-10-24 07:57

YOLOv5/v7/v8改进实验（七）之使用timm更换YOLOv8模型主干网络Backbone篇

YOLO系列实验实战篇：YOLOv5/v7/v8改进实验（一）之数据准备篇YOLOv5/v7/v8改进实验（二）之数据增强篇YOL
w94ghz·2023-10-24 06:46

YOLOv5项目实战（1）— 如何去训练模型

YOLOv5基础知识入门系列、YOLOv5源码中的参数超详细解析系列、YOLOv5入门实践系列、YOLOv5论文作图教程系列和YOLOv5算法改进系列学习完成之后，接着就进入YOLOv5项目实战系列了。
小哥谈·2023-10-24 04:09

YOLOV8损失函数改进：SlideLoss，解决简单样本和困难样本之间的不平衡问题

YOLOv8改进专栏：http://t.csdnimg.cn/hGhVKYolov8魔术师，独家首发创新（原创），适用于Yolov5、Yolov7、Yolov8等各个Yolo系列，专栏文章提供每一步
AI小怪兽·2023-10-24 04:31

rabbitmq问题汇总

1、rabbitmq连不上，Connectionreset原因：rabbitmq开启了ssl，但是客户端的rabbitmq配置没有开启ssl。2、看rabbitmq配置的auth_mechanisms没有开启对应的身份验证方式。rabbitmqctlstatus可以看到rabbitmq的配置文件，以及开启的端口。5671为开启了ssl的端口，5672为没有开启ssl使用的端口。看mq的配置：[{r
qq_37202188·2023-10-24 01:25

ZYNQ7020开发(二)：zynq linux系统编译

文章目录一、编译前准备二、SDK编译三、编译步骤总结四、问题汇总一、编译前准备1.设置环境变量source/opt/pkg/petalinux/2020.2/settings.sh/opt/pkg/petalinux
EEer！·2023-10-24 00:16

ANDROID JDK 编译配置不一致问题。

IDEAFORANDROID问题汇总1.Error:ThesuppliedjavaHomeseemstobeinvalid.Icannotfindthejavaexecutable.Triedlocation
xiangrufeifei3·2023-10-23 20:15

YOLOv5论文作图教程（1）— 软件介绍及下载安装（包括软件包+下载安装详细步骤）

在学习YOLOv5算法的过程中，很多同学都有发表论文的需求。作为文章内容的支撑，图表是最直接的整合数据的工具，能够更清晰地反映出研究对象的结果、流程或趋势。
小哥谈·2023-10-23 14:23

Gson 问题汇总

Gson自定义TypeAdapter使用Gsonspringboot中指定Gson为默认消息转换器自定义Gson实例解决方法设定日期类型的格式处理特殊格式数据解析serialVersionUID字段报错int类型,转换后变成了double类型使用Gsongson是google推出的json解析框架,相较于其他json解析框架,它速度更快也更安全(网上有很多资料,这里就不赘述了),在maven项目中
秋心吖·2023-10-23 11:15

使用yolov5模型实现佩戴口罩的检测

本文使用yolov5模型实现对人脸是否佩戴口罩进行检测，检测结果的类别为两种情况，一是佩戴口罩，二是没有佩戴口罩。先上模型训练后的测试结果：第一种情况：没有佩戴口罩，标签简称为（no_mask）。
The black panther·2023-10-23 08:38

目标检测YOLO实战应用案例100讲-基于YOLOv5的航拍图像旋转目标检测（中）

目录2.2目标检测基础2.2.1目标检测定义2.2.2目标检测原理2.3基于CNN的目标检测网络结构
林聪木·2023-10-23 08:06

YOLO系列（YOLOv5/YOLOv7/YOLOv8）算法训练数据集保姆级教程

本博文教大家如何快速便捷有效的跑通YOLO系列算法。如果有需要更正的请留言，我会进一步更新修正。一、实验环境关于实验环境，YOLO系列算法官网源码用的是PyTorch框架写的，所以需要大家在自己电脑安装PyTorch环境，不同YOLO算法或者不同版本的同一算法再根据requirement.txt进行安装所需要的库即可。关于如何搭建PyTorch环境本人前期已进行教学，可以点击下方链接。【学习经验分
人工智能算法研究院·2023-10-23 06:36

改进YOLO系列 | YOLOv5/v7 引入 Dynamic Snake Convolution | 动态蛇形卷积

准确分割拓扑管状结构，如血管和道路，在各个领域中至关重要，可以确保下游任务的准确性和效率。然而，许多因素使任务复杂化，包括细小的局部结构和可变的全局形态。在这项工作中，我们注意到管状结构的特殊性，并利用这一知识来引导我们的DSCNet，以在三个阶段同时增强感知：特征提取、特征融合和损失约束。首先，我们提出了一种动态蛇卷积，通过自适应地关注细长且弯曲的局部结构，以精确捕捉管状结构的特征。随后，我们提
迪菲赫尔曼·2023-10-23 06:02

基于YOLOv5的FPS类游戏瞄准辅助（附可用于CSGO的模型）

本文来自作者去年写的一个小项目，项目使用YOLOv5-2.0和PyTorch，实现了一款基于目标检测算法的射击类游戏瞄准辅助，俗称“AI外挂”。（文中含项目地址及演示视频，项目中提供了作者预训练的可用于CSGO的模型。）项目地址：https://github.com/Aa-bN/AimYolo文章目录一、前言1.1项目地址1.2项目结构1.3注意事项二、开发过程2.1总体设计2.2屏幕实时捕获2.
北纬38度最后的ikun·2023-10-23 00:26

YoloV5改进策略：SwiftFormer，全网首发，独家改进的高效加性注意力用于实时移动视觉应用的模型，重构YoloV5

文章目录摘要论文：《SwiftFormer：基于Transformer的高效加性注意力用于实时移动视觉应用的模型》1、简介2、相关研究3、方法3.1、注意力模块概述3.2、高效的加性注意力3.3、SwiftFormer架构4、实验4.1、实现细节4.2、基线比较4.3、图像分类4.4、目标检测和实例分割4.5、语义分割5、结论6、补充材料A、SwiftFormer的架构细节B、其他实现细节C、额外
静静AI学堂·2023-10-23 00:53

YOLOv5源码中的参数超详细解析（2）— 配置文件yolov5s.yaml（包括源码+网络结构图）

配置文件yolov5s.yaml在YOLOv5模型训练过程中发挥着至关重要的作用，属于初学者必知必会的文件！
小哥谈·2023-10-22 22:28

YOLOv5-PTQ量化部署

目录前言一、PTQ量化浅析二、YOLOv5模型训练1.项目的克隆和必要的环境依赖1.1项目克隆1.2项目代码结构整体介绍1.3环境安装2.数据集和预训练权重的准备2.1数据集2.2预训练权重准备3.训练模型
爱听歌的周童鞋·2023-10-22 22:52

yolov5自己的数据集制作

文章目录一、制作数据集1、创建文件夹结构如下2、将之前的图片以及标注数据放入mydata文件夹3、新建一个mydata.yaml文件二、基于数据集训练模型1、基于数据集训练模型2、开始根据制作好的数据集训练模型3、模型训练结束三、部署模型文章参考博主：风吹落叶花飘荡一、制作数据集1、创建文件夹结构如下2、将之前的图片以及标注数据放入mydata文件夹test与train集合一般比例为2：8或3：7
vsropy·2023-10-22 20:30

YOLOv5数据标注、训练与测试

1.数据标注（1）打开网页：https://www.makesense.ai/（2）点击“GetStarted”（3）点击“DropimagesorClickheretoselectthem”（4）上传图片，选择“ObjectDetection”（5）点击下图红色框（6）填写标签名称，如“Target”（7）点击“Startproject”（8）框选目标，并选择标签（9）点击“Actions”之后
童鸢·2023-10-22 20:30

yolov图像标注工具labelimg

www.makesense.ai/#labelImg.bat快捷方式@echooffecho欢迎使用labelImg深度学习图像标注工具echo......callD:\py\Anaconda3\envs\yolov5
光明有我16620122910·2023-10-22 20:29

在Colab下快速训练yolov5

在Colab下快速训练yolov51.学习链接2.数据准备2.1图片标注方法3.项目迁移到Colab平台4.开始训练4.1.选择GPU4.2.下载源码4.3.上传和解压自己的数据集4.4.修改ymal配置文件4.5.运行train.py训练5.效果检验1.学习链接油管：YOLOv5trainingwithcustomdata百度云：YOLOv5trainingwithcustomdata(密码:5
淡然的回忆568·2023-10-22 20:55

H5项目常见问题汇总及解决方案

Meta基础知识：H5页面窗口自动调整到设备宽度，并禁止用户缩放页面//一、HTML页面结构//width设置viewport宽度，为一个正整数，或字符串‘device-width’//height设置viewport高度，一般设置了宽度，会自动解析出高度，可以不用设置//initial-scale默认缩放比例，为一个数字，可以带小数//minimum-scale允许用户最小缩放比例，为一个数字，
风神.NET·2023-10-22 20:25

makesense在线yolov5标注

文章目录一、创建图片文件夹和label.txt二、在线标注数据参考文章博主：风吹落叶花飘荡一、创建图片文件夹和label.txt创建一个放置图片的文件夹images，存放需要标注的图片（图片最好重命名为1,2,3…避免后面混淆）创建label.txt存放标注的标签二、在线标注数据在线标注网站：https://www.makesense.ai/选择刚创建的images文件夹选择刚创建的label.t
vsropy·2023-10-22 20:23

YOLOv5改进系列（14）——更换NMS（非极大抑制）之 DIoU-NMS、CIoU-NMS、EIoU-NMS、GIoU-NMS 、SIoU-NMS、Soft-NMS

【YOLOv5改进系列】前期回顾：YOLOv5改进系列（0）——重要性能指标与训练结果评价及分析YOLOv5改进系列（1）——添加SE注意力机制YOLOv5改进系列（2
路人贾'ω'·2023-10-22 19:19

YOLOv5改进实战 | 更换NMS之Soft-NMS、DIoU_NMS篇

前言☘️NMS（非极大值抑制）常用于目标检测任务中，用于消除重叠的边界框，保留最具代表性的边界框。NMS算法并不是一种后处理，而是一种在目标检测算法中常用的技术。在目标检测过程中，通常会生成一系列候选边界框，而NMS算法会对这些候选边界框进行筛选，去除冗余的边界框，从而提高目标检测的准确性和效率。因此，NMS可以被视为一种在目标检测后处理阶段使用的技术。目录一、添加NMS模块二、Soft-NMS代
w94ghz·2023-10-22 19:17

YOLOv5算法改进（19）— 手把手教你去更换NMS（DIoU-NMS/CIoU-NMS/EIoU-NMS/GIoU-NMS/SIoU-NMS）

YOLOv5中的NMS指非极大值抑制（Non-MaximumSuppression），它是一种用于目标检测算法中的后处理技术。在检测到多个重叠的边界框时，NMS可以帮助选择最佳的边界框。
小哥谈·2023-10-22 19:15

信鸽 ios tag推送 php,信鸽推送平台常见问题汇总iOS端

问：信鸽sdk和demo的下载地址答：http://xg.qq.com/xg/help/ctr_help/download问：信鸽服务收费吗？推送有无数量限制？答：信鸽服务当前都是免费的。没有推送数量限制。问：信鸽网络协议答：信鸽使用的是私有协议，强制使用http或https对信鸽没有影响问：上传证书到管理台失败答：a)验证失败，请刷新后重试>>用编辑器打开证书文件，找到friendlyname字
张心欣·2023-10-22 18:39

[运维|数据库] 数据库迁移到金仓数据库时，sys_user表报错原因

参考文献金仓数据库字段_金仓数据库KingBase8迁移SQL问题汇总、kingbase数据库搜不到自己定义的SYS_USER等表原因数据库中存在表sys_user，人大金仓数据库存在系统表sys_user
梦醒贰零壹柒·2023-10-22 15:38

解决Vs2015+Qt+obs studio配置软件环境问题汇总

遇见事情不要慌，打开百度来帮忙!!!!!!!好了，今天又是面向百度编程的一天......最近公司项目需要用的vs2015+qt5.8.0的环境进行编程，特此记录一下安装软件，配置环境中遇见的一些问题，首先讲一下qtCreator5.8.0软件安装问题。下载qt的网站https://www.qt.io/download/版本:qtCreator5.8.0（注意安装以后你发送桌面的应用程序文件名上写的
程序小白Erike.·2023-10-22 13:33

YOLOv5改进实战 | 更换主干网络Backbone（四）之轻量化模型MobileNetV3

前言轻量化网络设计是一种针对移动设备等资源受限环境的深度学习模型设计方法。下面是一些常见的轻量化网络设计方法：网络剪枝：移除神经网络中冗余的连接和参数，以达到模型压缩和加速的目的。分组卷积：将卷积操作分解为若干个较小的卷积操作，并将它们分别作用于输入的不同通道，从而减少计算量。深度可分离卷积：将标准卷积分解成深度卷积和逐点卷积两个步骤，使得在大部分情况下可以大幅减少计算量。跨层连接：通过跨越多个层
w94ghz·2023-10-22 13:45

YOLOv5改进实战 | GSConv + SlimNeck双剑合璧，进一步提升YOLO！

前言轻量化网络设计是一种针对移动设备等资源受限环境的深度学习模型设计方法。下面是一些常见的轻量化网络设计方法：网络剪枝：移除神经网络中冗余的连接和参数，以达到模型压缩和加速的目的。分组卷积：将卷积操作分解为若干个较小的卷积操作，并将它们分别作用于输入的不同通道，从而减少计算量。深度可分离卷积：将标准卷积分解成深度卷积和逐点卷积两个步骤，使得在大部分情况下可以大幅减少计算量。跨层连接：通过跨越多个层
w94ghz·2023-10-22 13:45

YOLOv5改进实战 | 更换损失函数（二）之WIOU（Wise IoU）篇

前言本文使用的YOLOv5版本为v7.0，该版本为YOLOv5最新版本，默认损失函数采用的是CIoU。
w94ghz·2023-10-22 13:44

YOLOv5改进实战 | 更换主干网络Backbone（三）之轻量化模型Shufflenetv2

前言轻量化网络设计是一种针对移动设备等资源受限环境的深度学习模型设计方法。下面是一些常见的轻量化网络设计方法：网络剪枝：移除神经网络中冗余的连接和参数，以达到模型压缩和加速的目的。分组卷积：将卷积操作分解为若干个较小的卷积操作，并将它们分别作用于输入的不同通道，从而减少计算量。深度可分离卷积：将标准卷积分解成深度卷积和逐点卷积两个步骤，使得在大部分情况下可以大幅减少计算量。跨层连接：通过跨越多个层
w94ghz·2023-10-22 13:10

YOLOv5算法改进（17）— 手把手教你去更换损失函数（IoU/GIoU/DIoU/CIoU/EIoU/AlphaIoU/SIoU）

前言：Hello大家好，我是小哥谈。损失函数（lossfunction）是机器学习中用来衡量模型预测值与真实值之间差异的函数。它用于度量模型在训练过程中的性能，以便优化模型参数。在训练过程中，损失函数会根据模型的预测结果和真实标签计算出一个标量值，代表了模型预测的错误程度。通过最小化损失函数，可以使模型的预测结果与真实值之间的差距变小，从而提升模型的性能。本节课就简单介绍一下常见的IoU损失函数并
小哥谈·2023-10-22 12:15

计算机视觉实战项目3（图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A*路径规划+单目测距与测速+行人车辆计数等）

该项目使用了YOLOv5目标检测算法和DeepSORT目标跟踪算法，以及一些辅助工具和库，可以帮助用户快速地在本地或者云端上实现视频目标检测和跟踪！
阿利同学·2023-10-22 10:32

YOLOv5改进系列（15）——增加小目标检测层

【YOLOv5改进系列】前期回顾：YOLOv5改进系列（0）——重要性能指标与训练结果评价及分析YOLOv5改进系列（1）——添加SE注意力机制
路人贾'ω'·2023-10-22 01:12

YOLOv5算法改进（16）— 增加小目标检测层 | 四头检测机制（包括代码+添加步骤+网络结构图）

YOLOv5算法的检测速度与精度较为平衡，但是对于小目标的检测效果不佳，根据一些论文，我们可以通过增加检测层来提高对小目标的特征提取能力，以提高算法在密集场景下的表现。
小哥谈·2023-10-22 01:02

疑难问题汇总

目录unity-androidsdk相关问题记录1.打包AndroidAPK常见问题：2.AndroidManifest设置android:allowBackup="false"报错3.由于权限问题导致的黑屏4.UnityGrade的相关异常和报错5.启用MultiDex解决Unity2019.3.x构建Android游戏时Dex64K引用限制问题下面是分别在Unity2019.3.x之后及之前的
东方快弟·2023-10-21 21:33

脚手架搭建微信小程序问题汇总

学习教程为前端开发利器vue，微信小程序快速开发实战，黑马程序员前端web教程一、启动项目时报错SyntaxError:Error:PostCSSpluginautoprefixerrequiresPostCSS8.Migrationguideforend-users:https://github.com/postcss/postcss/wiki/PostCSS-8-for-end-users（也
立川未来·2023-10-21 20:00

服务器常见问题汇总（服务器常见故障及相应的解决方法）

下面精心整理一些服务器的常见问题汇总，帮助各位排忧解难。1.系统蓝屏、频繁死机、重启、反映速度迟钝服务器的与我们平常电脑不论是硬件结构还是运行系统，都是极其类似的。因此，就如同我们的电脑一样，
快快小锦·2023-10-21 18:50

Unoconv入门介绍和问题汇总

简介：Unoconv是一款基于LibreOffice/Openoffice开发的命令行工具，可以将不同格式的文件（如DOC、PPT、PDF等）在不同的操作系统上通过Libreoffice/Openoffice转换为PDF、ODT、DOC、PNG、PPTX等格式，并支持在命令行中指定输出文件名称、格式及其他参数。一、为什么选择UnoconvUnoconv与其他文件转换工具相比有以下几个优点：支持多种
运维之美@·2023-10-21 13:26
上一页 21 22 23 24 25 26 27 28 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他