张士玉小黑屋

代码里的注释一定要看！！！里面包括了一些基本知识和原因可以依次把下面的代码段合在一起运行，也可以通过jupyternotebook分次运行第一步：一些库的导入importtorch#深度学习的pytoch平台importtorch.nnasnnimportnumpyasnpimportrandomimporttime#可以用来简单地记录时间importmatplotlib.pyplotasplt#画图#随机种子random.seed(1234)np.random.seed(1234)torch.manual_seed(1234)torch.cuda.manual_seed(1234)torch.cuda.manual_seed_all(1234)第二步：构建

文章目录前言一、传统的图像风格迁移（Traditionalstyletransfer）1.1计算机图形学领域和计算机视觉领域（ComputerGraphics&ComputerVision）1.2非真实感图形学（Non-photorealisticgraphics）和纹理迁移（texturetransfer）二、基于神经网络的风格转换（Neuralstyletransfer）2.1基于在线图像优化的慢速图像风格化迁移算法（SlowNeuralMethodBasedOnOnlineImageOptimisation）2.2基于离线模型优化的快速图像风格化迁移算法（FastNeuralMethodBasedOnOfflineModel

文章目录一、写在前面二、使用labelimg标记图片1.准备工作2.标记图片三、划分数据集以及配置文件修改1.划分训练集、验证集、测试集2.XML格式转yolo_txt格式3.配置文件4.聚类获得先验框四、使用CPU训练五、使用GPU训练1.开始训练2.重新下载pytorch六、训练结果可视化一、写在前面 博主也是最近开始玩yolov5的，甚至也是最近开始使用python的，很多东西都没有接触过，因此训练自己的数据集花了不少时间，所以想写篇博客记录一下，希望同样是零基础的小伙伴们可以更加轻松的上手。同时大家如果发现了错误和理解偏差，欢迎指正。参考资料：Yolov5训练自己的数据集（详细完整版）训练集、验证集、测试集的划分yolov5训练结果解析关于yol

一、什么是梯度下降算法       首先，我们需要明确梯度下降就是求一个函数的最小值，对应的梯度上升就是求函数最大值。简而言之：梯度下降的目的就是求函数的极小值点，例如在最小化损失函数或是线性回归学习中都要用到梯度下降算法。   ##梯度下降算法作为很多算法的一个关键环节，其重要意义是不言而喻的。   梯度下降算法的思想：先任取点（x0,f(x0))，求f(x)在该点x0的导数f"(x0),在用x0减去导数值f"(x0),计算所得就是新的点x1。然后再用x1减去f"(x1)得x2…以此类推，循环多次，慢慢x值就无限接近极小值点。   损失函数用来衡量机器学习模型的精确度。一般来说，损失函数的值越小，模型的精确度就越高。如果要提高机器学习模型的精确度，就需要尽可

优点1：主干网络（CSPDarknet）加入Fcous结构主干网络加入Fcous结构，将图片宽高信息缩小，减小参数量，提升网络计算速度Fcous结构:将输入的图片先经过Fcos结构对图片进行每隔一个像素取出一个值，得到四个特征层，然后再进行concat。从而图片宽高的信息缩小，通道数增加。在原始信息丢失较少的情况下，减小了参数量（由于fcous替代了两层卷积与一层bottleneck）图1 Fcous示意优点2：主干网络的激活函数替换为silu激活函数silu函数相比于rule非线性能力更强，解决了rule当有负数输入输出为0，发生梯度弥散的缺点。同时继承了relu收敛更快的优点。silu函数=x*sigmoid(x)，是relu与sigmoid的结合。可以看做是一个

1.GAM注意力机制：图像解析：从整体上可以看出，GAM和CBAM注意力机制还是比较相似的，同样是使用了通道注意力机制和空间注意力机制。但是不同的是对通道注意力和空间注意力的处理。2.CBAM注意力解析CBAM=CAM+BAM对于通道注意力的处理：首先对输入特征图进行最大池化和平均池化，再经过MLP分别处理，最终经过Sigmoid激活。对于空间注意力的处理对特征图进行最大池化和平均池化后叠加在一起，再进行卷积，经过Sigmoid激活函数处理。3.GAM改进了解了CBAM，我们来看GAM是怎么处理CAM和SAM的，同样是先通道后空间。CAM对于输入特征图，首先进行维度转换，经过维度转换的特征图输入到MLP,再转换为原来的维度，进行Sigmoid处理输出。S

全局池化零、全局池化介绍一、全局平均池化二、全局最大池化零、全局池化介绍普通池化方法汇总详见：https://blog.csdn.net/qq_43665602/article/details/126625116全局池化与普通池化的区别在于“局部区域”和“全局”：普通池化根据滑动窗口以及步长以逐步计算局部区域的方式进行；而全局池化是分别对每个通道的所有元素进行计算，谓之全局池化。全局池化方式的优点：大大降低计算的参数量；没有需要学习的参数，可以更好的避免过拟合；更能体现输入的全局信息；拿一个简单的网络验证参数量下降（此处只计算权重）：因为池化操作是沿着通道方向对该通道的特征进行，故对于输入(N,C,H,W)，池化输出为(N,C)。此处输入特征为(N,C,H,W)=(1,3,

前言相信刚刚接触目标检测的小伙伴也是有点疑惑吧，目标检测的知识点和模型属实有点多，想要工作找CV的话，目标检测是必须掌握的方向了。我记得在找实习的时候，面试官就问到了我目标检测的指标是什么，答：mAP！问：mAP是什么？我：.......!☺所以在本文中我也是详细说一下mAP的含义，有什么不对的或者不全的欢迎大家指正！mAP是meanofAveragePrecision的缩写，意思是平均精确度（averageprecision）的平均（mean），是objectdetection中模型性能的衡量标准。objectdetection中，因为有物体定位框，分类中的accuracy并不适用，因此才提出了objectdetection独有的mAP指标，但这也导致mAP没有分类中

13d卷积的官方详解 22D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，得到一张特征图。这里的“被扫描图像”是一个通道，而非一张彩色图片。如果卷积核每扫描一个通道，就会得到一张特征图，那多通道的图像应该被怎样扫描呢？会有怎样的输出呢？    在一次扫描中，我们输入了一张拥有三个通道的彩色图像。对于这张图，拥有同样尺寸、但不同具体数值的三个卷积核会分别在三个通道上进行扫描，得出三个相应的“新通道”。由于同一张图

简单三步！用自己的数据集快速训练Yolov5模型文章目录简单三步！用自己的数据集快速训练Yolov5模型1第一步；准备好划分完的数据集2第二步；写一个数据集的配置文件3第三步；修改train.py参数4小知识?：标签内容解释5常见问题?本人更多YOLOv5实战内容导航???网上关于Yolov5如何标注数据集的文章很多，如果大家嫌麻烦可以看我这篇文章介绍的标注工具，可以直接标注成YOLO格式的下面直接通过一种简单明了的方式让大家迅速的开始训练自己的数据集；相信大家在运行Yolov5时coco128数据集已经下载好了，coco128数据集默认的位置就是我们项目代码的同级目录，所以我以这个位置作为参考，通过对比的方式让大家迅速了解读取数据集的原理；这次我使用的是划分