labelImg 使用以及安装教程---图像标注工具
目录 labelImg 使用教程LabelImg简介LabelImg用法步骤 (PascalVOC)步骤 (YOLO)创建预定义的类注释可视化热键验证图片设置困难识别对象如何重置设置实际操作相关和附加工具labelImg安装在gitbash的安装从源代码构建使用 Docker拓展roLabelImg
ImageNet1K的下载与使用
ImageNet不用多说，它包含了非常多的图片，总共有2w多个分类，但是显然太多。所以一般更常用的是ImageNet1K数据集，该数据集包含1000个类别。
【nn.LSTM详解】
nn.LSTM详解
Diffusion Models：生成扩散模型
扩散模型（Diffusion Models）发表以来其实并没有收到太多的关注，因为他不像 GAN 那样简单粗暴好理解。不过最近这几年正在生成模型领域异军突起，当前最先进的两个文本生成图像——OpenAI 的 DALL·E 2和 Google 的 Imagen，都是基于扩散模型来完成的。...
机器学习中的数学——距离定义（二）：曼哈顿距离（Manhattan Distance）
曼哈顿距离是种使用在几何度量空间的几何学用语，用以标明两个点在标准坐标系上的绝对轴距总和。下图中红线代表曼哈顿距离，绿色代表欧氏距离，也就是直线距离，而蓝色和黄色代表等价的曼哈顿距离。曼哈顿距离在2维平面是两点在纵轴上的距离加上在横轴上的距离，即：d(x,y)=∣x1−y1∣+∣x2−y2∣d(x,
YOLO v5加入注意力机制、swin-head、解耦头部（回归源码）
YOLO v5 加入注意力机制、解耦头部和swin-head
CosineAnnealingLR（余弦退火调整学习率）
这是一种学习率的调整方式。
深度学习之bottleneck layer
一、bottleneck layery中文名称：瓶颈层。我初次接触也就是在残差网络中。一般在较深的网络中，如resnet101中使用。一般的结构如下：其中两个1X1fliter分别用于降低和升高特征维度，主要目的是为了减少参数的数量，从而减少计算量，且在降维之后可以更加有效、直观地进行数据的训练和特
linux下载/解压ImageNet-1k数据集
linux下载/解压ImageNet-1k数据集
GAN评价指标代码(FID、LPIPS、MS-SSIM)
GAN评价指标代码(FID、LPIPS、MS-SSIM写在前面FIDLPIPSMS-SSIM写在后面写在前面科研(毕业)需要，对GAN生成的图片要做定量评价，因此总结一些自己要用到的一些评价指标。FID官方链接：https://github.com/mseitzer/pytorch-fid步骤：（1
pytorch复现U-Net 及常见问题汇总（2021.11.14亲测可行）
目录2021.11.14复现过程：训练过程常见问题整理：之前简单地写了一个pytorch的U-net 复现过程，有很多小伙伴在评论里有很多疑问，抽空又复现了一遍，简单整理了常见的问题。之前写的教程：U-net复现pytorch版本 以及制作自己的数据集并训练_candice5566的博客-CSDN博
可变形卷积（DCN）
ICCV 2017的一篇文章。可变形卷积（DCN）的原理和实现
3D卷积神经网络详解
1 3d卷积的官方详解2 2D卷积与3D卷积1）2D卷积 2D卷积：卷积核在输入图像的二维空间进行滑窗操作。2D单通道卷积 对于2维卷积，一个3*3的卷积核，在单通道图像上进行卷积，得到输出的动图如下所示：2D多通道卷积 在之前的2D单通道的例子中，我们在一张图像上使用卷积核进行扫描，得
YOLOv3&YOLOv5输出结果说明
本文使用的yolov3和yolov5工程文件均为github上ultralytics基于pytorch的v3和v5代码，其训练集输出结果类型基本一致，主要介绍了其输出结果，本文是一篇学习笔记本文使用的yolov3代码github下载地址：yolov3模型训练具体步骤可查看此篇博客：yolov3模型训
Yolov7-pose 训练body+foot关键点
yolo-pose
在运行yolo5的v5.0版本detect.py时遇到的一些错误
跟着小土堆的视频教学自己遇到的一些问题。
简单粗暴提升yolov5小目标检测能力
和yolov5最开始做的focus是类似的，对于输入的特征图（长宽为S），从左到右以及从上到下每scale个像素采样一次，假设scale=2，采样方式就和上图一样，经过这样采样的输出长宽就是S/2，最后将采样后的输出进行concatenate，通道数就是scale的平方，即4。左侧是yolov5原始
将yolov5中的PANet层改为BiFPN
本文以YOLOv5-6.1版本1.修改common.py,在common.py后加入如下代码# 结合BiFPN 设置可学习参数 学习不同分支的权重# 两个分支add操作class BiFPN_Add2(nn.Module): def __init__(self, c1, c2):
Anaconda创建环境及环境配置
anaconda创建环境
【pytorch】ResNet18、ResNet20、ResNet34、ResNet50网络结构与实现
ResNet18、ResNet20、ResNet34、ResNet50网络结构与实现
