《一种改进的YOLOv5用于无人机捕获场景中的目标检测》论文笔记
本文分析了当前无人机捕捉场景中目标检测算法存在的问题，针对无人机图像中高分辨率、小目标占比大的特点，对YOLOv5s模型进行了三点改进。最终的实验结果表明，我们改进的模型比原来的模型更适用于Visdrone-2020数据集，并且每个模块都能很好地提高该数据集的目标检测精度。与其他方法相比，我们的方法
(笔记)ubuntu20.04下 yolov5学习与使用
等到数据训练好了以后，就会在主目录下产生一个run文件夹，在run/train/exp/weights目录下会产生两个权重文件，一个是最后一轮的权重文件，一个是最好的权重文件，一会我们就要利用这个最好的权重文件来做推理测试。对视频进行测试，和如上的图片的测试是一样的，只不过是将图片的路径改为视频的路
基于1DCNN(一维卷积神经网络）的目标识别
基于深度学习对故障种类的识别，也就是目标检测和识别的一种
YOLOv5源码逐行超详细注释与解读（3）——训练部分train.py
全网最详细的YOLOv5项目源码解读之训练部分train. py。全文近5万字！代码逐行注释，逐段讲解，小白入门必备！
目标检测：Faster-RCNN算法细节及代码解析
**Faster-RCNN是多阶段目标检测算法RCNN系列中的集大成者，下面来看看分别看看这个系列的算法细节。****注：只简单讲解RCNN，Fast-RCNN算法。后面会重点讲解Fater-RCNN算法。一、RCNNRCNN是2013年出现的目标检测算法，首先将深度学习引 入目标检测领域 ， m
【目标检测】YOLOV1详解
最近在公司实习，看到其实很多落地的模型都是基于yolo来改进的。在闲暇之余又重新温故了一下yolo系列，并想着将它们进行一个总结。今天就从V1下手，接下来的几个系列也会分别进行详解。相比起Faster R-CNN的两阶段算法，2015年诞生的YOLOv1创造性地使用端到端（end to end）结构
YOLOv5深度剖析
YOLOv5与历代YOLO算法相似，使用了网格的概念，将图像划分为多个网格，每个网格负责预测一个或多个物体，简单来说每个网格都可以产生预测框。网格可以产生预测框的原因也很简单。网格内存有几个（一般为三个）预测框的模板，也就是"anchor"每个anchor都有预设的宽高、坐标以及置信度。置信度表示网
睿智的目标检测——PyQt5搭建目标检测界面
基于B导开源的YoloV4-Pytorch源码开发了戴口罩人脸检测系统（21年完成的本科毕设，较为老旧，可自行替换为最新的目标检测算法）。
Python基于改进YOLOv5的烟叶病害检测系统（附带源码）
Python基于改进YOLOv5的烟叶病害检测系统（附带源码）Python、Anacanda、Pycharm、CUDA和cuDNN等基础的环境安装部署可以参考博主的B站视频教程[2022手把手教学版]Python＆Anacanda＆Pycharm安装，虚拟环境配置[CUDA＆cuDNN]炼丹师手把手
毕设系列-检测专题-基于YOLOV5的手势识别系统
我们之前做过一期基于Yolov5的口罩检测系统（手把手教你使用YOLOV5训练自己的目标检测模型-口罩检测-视频教程_dejahu的博客-CSDN博客），里面的代码是基于YOLOV5 6.0开发的，并且是适用其他数据集的，只需要修改数据集之后重新训练即可，非常方便，但是有些好兄弟是初学者，可能不太了
用于微小目标检测的上下文扩展和特征细化网络
作者又将这样的ASPP模块的融合方式通过下面三种方式进行实验，其中（a）和（c）方式就是一般的进行相加和拼接，几种不同的特征的权重是相同的，而对于(b)方式就是将最终结果再通过一个注意力机制进行重要性分析。一般来说第二种方式是比较不错的，因为这种方法我是在其他论文上见过的，在那篇小目标检测论文中，（
视频监控 智能交通 数据集（目标检测、跟踪）
前言总结一下视频监控的数据集，用于目标检测、跟踪。一、UA-DETRAC 数据集UA-DETRAC是一个具有挑战性的真实世界多目标检测和多目标跟踪基准。该数据集包括在中国北京和天津的24个不同地点使用Cannon EOS 550D相机拍摄的10小时视频。视频以每秒25帧（fps）的速度录制，分辨率为
IoU、Precision、Recall、AP、mAP详解
目标检测中的IoU、Precision、Recall、AP、mAP详解
【魔改YOLOv5-6.x（4）】结合EIoU、Alpha-IoU损失函数
文章目录前言EIoU论文简介加入YOLOv5Alpha-IoU论文简介加入YOLOv5References前言本文使用的YOLOv5版本为v6.1，对YOLOv5-6.x网络结构还不熟悉的同学，可以移步至：【YOLOv5-6.x】网络模型&源码解析想要尝试改进YOLOv5-6.1的同学，可以
yolov7配置与训练记录(二)
yolov7配置与训练记录(一) 已经完成了环境的配置,下面开始文件内部的操作yolov7官方下载地址为1 将下载好的预训练权重放在内需要在yolov7中新建weights文件夹(也是为了方便管理权重文件)如果未报错,则说明成功需要在yolov7中新建datasets文件夹(也是为了方便管理训练数据
【深度学习】目标检测的性能评价指标，mAP_0.5，mAP_0.5,0.95,0.05
计算mAP之前先考虑我们有的数值：图片原label的bbox、模型预测的bbox、模型预测的bbox的置信度、模型预测的bbox中目标类别的分类置信度。此外，我们还需要确定“IoU数值阈值”和“置信度阈值”，模型的预测能满足“IoU数值阈值”与“置信度阈值”（NMS算法）的结果参与最终混淆矩阵计算。
旋转目标检测训练自己数据集+问题汇总
复现junjieliang大佬的旋转目标检测代码，将自己遇到的问题全部记录下来，包括数据集制作，训练与部署检测。
yolov3源码逐行详解（3.0版本）
次看主文件，在进入主函数中逐行调试，进而对代码全局有个了解。接下来就是主文件，train.py训练文件、test.py测试文件（用于训练中每个epoch的测试）、models.py模型文件、detect.py预测文件、requirements.txt其中是项目需要的环境配置。版本，主要是因为其中使用
Pyqt搭建YOLOv5目标检测系统（可视化界面+功能介绍+源代码）
系统支持输入图片、视频、摄像头和RTSP视频流的目标检测，其中，可以对图片进行处理，包括灰度化、平滑处理、均衡化、形态学、图像梯度、阈值处理、边缘检测、轮廓检测、直线检测、亮度调节和伽玛校正。
