【计算机视觉】YOLO 入门:训练 COCO128 数据集

这篇具有很好参考价值的文章主要介绍了【计算机视觉】YOLO 入门:训练 COCO128 数据集。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

一、COCO128 数据集

我们以最近大热的YOLOv8为例,回顾一下之前的安装过程:

%pip install ultralytics
import ultralytics
ultralytics.checks()

【计算机视觉】YOLO 入门:训练 COCO128 数据集,计算机视觉,计算机视觉,YOLO,人工智能,YOLOv8,COCO128
这里选择训练的数据集为:COCO128

COCO128是一个小型教程数据集,由COCOtrain2017中的前128个图像组成。

在YOLO中自带的coco128.yaml文件:

1)可选的用于自动下载的下载命令/URL,

2)指向培训图像目录的路径(或指向带有培训图像列表的*.txt文件的路径),

3)与验证图像相同,

4)类数,

5)类名列表:

# download command/URL (optional)
download: https://github.com/ultralytics/yolov5/releases/download/v1.0/coco128.zip

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: ../coco128/images/train2017/
val: ../coco128/images/train2017/

# number of classes
nc: 80

# class names
names: ['person', 'bicycle', 'car', 'motorcycle', 'airplane', 'bus', 'train', 'truck', 'boat', 'traffic light',
        'fire hydrant', 'stop sign', 'parking meter', 'bench', 'bird', 'cat', 'dog', 'horse', 'sheep', 'cow',
        'elephant', 'bear', 'zebra', 'giraffe', 'backpack', 'umbrella', 'handbag', 'tie', 'suitcase', 'frisbee',
        'skis', 'snowboard', 'sports ball', 'kite', 'baseball bat', 'baseball glove', 'skateboard', 'surfboard',
        'tennis racket', 'bottle', 'wine glass', 'cup', 'fork', 'knife', 'spoon', 'bowl', 'banana', 'apple',
        'sandwich', 'orange', 'broccoli', 'carrot', 'hot dog', 'pizza', 'donut', 'cake', 'chair', 'couch',
        'potted plant', 'bed', 'dining table', 'toilet', 'tv', 'laptop', 'mouse', 'remote', 'keyboard', 
        'cell phone', 'microwave', 'oven', 'toaster', 'sink', 'refrigerator', 'book', 'clock', 'vase', 'scissors', 
        'teddy bear', 'hair drier', 'toothbrush']

二、训练过程

!yolo train model = yolov8n.pt data = coco128.yaml epochs = 10 imgsz = 640

训练过程为:

                   from  n    params  module                                       arguments                     
  0                  -1  1       464  ultralytics.nn.modules.conv.Conv             [3, 16, 3, 2]                 
  1                  -1  1      4672  ultralytics.nn.modules.conv.Conv             [16, 32, 3, 2]                
  2                  -1  1      7360  ultralytics.nn.modules.block.C2f             [32, 32, 1, True]             
  3                  -1  1     18560  ultralytics.nn.modules.conv.Conv             [32, 64, 3, 2]                
  4                  -1  2     49664  ultralytics.nn.modules.block.C2f             [64, 64, 2, Tr
ue]             
  5                  -1  1     73984  ultralytics.nn.modules.conv.Conv             [64, 128, 3, 2]               
  6                  -1  2    197632  ultralytics.nn.modules.block.C2f             [128, 128, 2, True]           
  7                  -1  1    295424  ultralytics.nn.modules.conv.Conv             [128, 256, 3, 2]              
  8                  -1  1    460288  ultralytics.nn.modules.block.C2f             [256, 256, 1, True]           
  9                  -1  1    164608  ultralytics.nn.modules.block.SPPF            [256, 256, 5]                 
 10                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          
 11             [-1, 6]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 12                  -1  1    148224  ultralytics.nn.modules.block.C2f             [384, 128, 1]                 
 13                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          
 14             [-1, 4]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 15                  -1  1     37248  ultralytics.nn.modules.block.C2f             [192, 64, 1]                  
 16                  -1  1     36992  ultralytics.nn.modules.conv.Conv             [64, 64, 3, 2]                
 17            [-1, 12]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 18                  -1  1    123648  ultralytics.nn.modules.block.C2f             [192, 128, 1]                 
 19                  -1  1    147712  ultralytics.nn.modules.conv.Conv             [128, 128, 3, 2]              
 20             [-1, 9]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 21                  -1  1    493056  ultralytics.nn.modules.block.C2f             [384, 256, 1]                 
 22        [15, 18, 21]  1    897664  ultralytics.nn.modules.head.Detect           [80, [64, 128, 256]]          
Model summary: 225 layers, 3157200 parameters, 3157184 gradients
Transferred 355/355 items from pretrained weights
TensorBoard: Start with 'tensorboard --logdir runs/detect/train', view at http://localhost:6006/
AMP: running Automatic Mixed Precision (AMP) checks with YOLOv8n...
AMP: checks passed ✅
train: Scanning /kaggle/working/datasets/coco128/labels/train2017.cache... 126 i
albumentations: Blur(p=0.01, blur_limit=(3, 7)), MedianBlur(p=0.01, blur_limit=(3, 7)), ToGray(p=0.01), CLAHE(p=0.01, clip_limit=(1, 4.0), tile_grid_size=(8, 8))
val: Scanning /kaggle/working/datasets/coco128/labels/train2017.cache... 126 ima
Plotting labels to runs/detect/train/labels.jpg... 
optimizer: AdamW(lr=0.000119, momentum=0.9) with parameter groups 57 weight(decay=0.0), 64 weight(decay=0.0005), 63 bias(decay=0.0)
Image sizes 640 train, 640 val
Using 2 dataloader workers
Logging results to runs/detect/train
Starting training for 10 epochs...
Closing dataloader mosaic
albumentations: Blur(p=0.01, blur_limit=(3, 7)), MedianBlur(p=0.01, blur_limit=(3, 7)), ToGray(p=0.01), CLAHE(p=0.01, clip_limit=(1, 4.0), tile_grid_size=(8, 8))
      Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size
       1/10      2.61G      1.153      1.398      1.192         81        640: 1
                 Class     Images  Instances      Box(P          R      mAP50  m
                   all        128        929      0.688      0.506       0.61      0.446

      Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size
       2/10      2.56G      1.142      1.345      1.202        121        640: 1
                 Class     Images  Instances      Box(P          R      mAP50  m
                   all        128        929      0.678      0.525       0.63      0.456

      Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size
       3/10      2.57G      1.147       1.25      1.175        108        640: 1
                 Class     Images  Instances      Box(P          R      mAP50  m
                   all        128        929      0.656      0.548       0.64      0.466

      Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size
       4/10      2.57G      1.149      1.287      1.177        116        640: 1
                 Class     Images  Instances      Box(P          R      mAP50  m
                   all        128        929      0.684      0.568      0.654      0.482

      Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size
       5/10      2.57G      1.169      1.233      1.207         68        640: 1
                 Class     Images  Instances      Box(P          R      mAP50  m
                   all        128        929      0.664      0.586      0.668      0.491

      Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size
       6/10      2.57G      1.139      1.231      1.177         95        640: 1
                 Class     Images  Instances      Box(P          R      mAP50  m
                   all        128        929       0.66      0.613      0.677        0.5

      Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size
       7/10      2.57G      1.134      1.211      1.181        115        640: 1
                 Class     Images  Instances      Box(P          R      mAP50  m
                   all        128        929      0.649      0.631      0.683      0.504

      Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size
       8/10      2.57G      1.114      1.194      1.178         71        640: 1
                 Class     Images  Instances      Box(P          R      mAP50  m
                   all        128        929      0.664      0.634       0.69      0.513

      Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size
       9/10      2.57G      1.117      1.127      1.148        142        640: 1
                 Class     Images  Instances      Box(P          R      mAP50  m
                   all        128        929      0.624      0.671      0.697       0.52

      Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size
      10/10      2.57G      1.085      1.133      1.172        104        640: 1
                 Class     Images  Instances      Box(P          R      mAP50  m
                   all        128        929      0.631      0.676      0.704      0.522
10 epochs completed in 0.018 hours.
Optimizer stripped from runs/detect/train/weights/last.pt, 6.5MB
Optimizer stripped from runs/detect/train/weights/best.pt, 6.5MB

Validating runs/detect/train/weights/best.pt...
Ultralytics YOLOv8.0.128 🚀 Python-3.10.10 torch-2.0.0 CUDA:0 (Tesla P100-PCIE-16GB, 16281MiB)
Model summary (fused): 168 layers, 3151904 parameters, 0 gradients
                 Class     Images  Instances      Box(P          R      mAP50  m
                   all        128        929      0.629      0.677      0.704      0.523
                person        128        254      0.763      0.721      0.778      0.569
               bicycle        128          6      0.765      0.333      0.391      0.321
                   car        128         46      0.487      0.217      0.322      0.192
            motorcycle        128          5      0.613        0.8      0.906      0.732
              airplane        128          6      0.842          1      0.972      0.809
                   bus        128          7      0.832      0.714      0.712       0.61
                 train        128          3       0.52          1      0.995      0.858
                 truck        128         12      0.597        0.5      0.547      0.373
                  boat        128          6      0.526      0.167      0.448      0.328
         traffic light        128         14      0.471      0.214      0.184      0.145
             stop sign        128          2      0.671          1      0.995      0.647
                 bench        128          9      0.675      0.695       0.72      0.489
                  bird        128         16      0.936      0.921      0.961       0.67
                   cat        128          4      0.818          1      0.995      0.772
                   dog        128          9       0.68      0.889      0.908      0.722
                 horse        128          2      0.441          1      0.828      0.497
              elephant        128         17      0.742      0.848      0.933       0.71
                  bear        128          1      0.461          1      0.995      0.995
                 zebra        128          4       0.85          1      0.995      0.972
               giraffe        128          9      0.824          1      0.995      0.772
              backpack        128          6      0.596      0.333      0.394      0.257
              umbrella        128         18      0.564      0.722      0.681      0.429
               handbag        128         19      0.635      0.185      0.326      0.178
                   tie        128          7      0.671      0.714      0.758      0.522
              suitcase        128          4      0.687          1      0.945      0.603
               frisbee        128          5       0.52        0.8      0.799      0.689
                  skis        128          1      0.694          1      0.995      0.497
             snowboard        128          7      0.499      0.714      0.732      0.589
           sports ball        128          6      0.747      0.494      0.573      0.342
                  kite        128         10      0.539        0.5      0.504      0.181
          baseball bat        128          4      0.595        0.5      0.509      0.253
        baseball glove        128          7      0.808      0.429      0.431      0.318
            skateboard        128          5      0.493        0.6      0.609      0.465
         tennis racket        128          7      0.451      0.286      0.446      0.274
                bottle        128         18        0.4      0.389      0.365      0.257
            wine glass        128         16      0.597      0.557      0.675      0.366
                   cup        128         36      0.586      0.389      0.465      0.338
                  fork        128          6      0.582      0.167      0.306      0.234
                 knife        128         16      0.621      0.625      0.669      0.405
                 spoon        128         22      0.525      0.364       0.41      0.227
                  bowl        128         28      0.657      0.714      0.719      0.584
                banana        128          1      0.319          1      0.497     0.0622
              sandwich        128          2      0.812          1      0.995      0.995
                orange        128          4      0.784          1      0.895      0.594
              broccoli        128         11      0.431      0.273      0.339       0.26
                carrot        128         24      0.553      0.833      0.801      0.504
               hot dog        128          2      0.474          1      0.995      0.946
                 pizza        128          5      0.736          1      0.995      0.882
                 donut        128         14      0.574          1      0.929       0.85
                  cake        128          4      0.769          1      0.995       0.89
                 chair        128         35      0.503      0.571      0.542      0.307
                 couch        128          6      0.526      0.667      0.805      0.612
          potted plant        128         14      0.479      0.786      0.784      0.545
                   bed        128          3      0.714          1      0.995       0.83
          dining table        128         13      0.451      0.615      0.552      0.437
                toilet        128          2          1      0.942      0.995      0.946
                    tv        128          2      0.622          1      0.995      0.846
                laptop        128          3          1      0.452      0.863      0.738
                 mouse        128          2          1          0     0.0459    0.00459
                remote        128          8      0.736        0.5       0.62      0.527
            cell phone        128          8     0.0541      0.027     0.0731      0.043
             microwave        128          3      0.773      0.667      0.913      0.807
                  oven        128          5      0.442      0.483      0.433      0.336
                  sink        128          6      0.378      0.167      0.336      0.231
          refrigerator        128          5      0.662      0.786      0.778      0.616
                  book        128         29       0.47      0.336      0.402       0.23
                 clock        128          9       0.76      0.778      0.884      0.762
                  vase        128          2      0.428          1      0.828      0.745
              scissors        128          1      0.911          1      0.995      0.256
            teddy bear        128         21      0.551      0.667      0.805      0.515
            toothbrush        128          5      0.768          1      0.995       0.65
Speed: 3.4ms preprocess, 1.9ms inference, 0.0ms loss, 2.4ms postprocess per image
Results saved to runs/detect/train

三、验证过程

!yolo val model = yolov8n.pt data = coco128.yaml

输出的结果为:

                 Class     Images  Instances      Box(P          R      mAP50  m
                   all        128        929       0.64      0.537      0.605      0.446
                person        128        254      0.797      0.677      0.764      0.538
               bicycle        128          6      0.514      0.333      0.315      0.264
                   car        128         46      0.813      0.217      0.273      0.168
            motorcycle        128          5      0.687      0.887      0.898      0.685
              airplane        128          6       0.82      0.833      0.927      0.675
                   bus        128          7      0.491      0.714      0.728      0.671
                 train        128          3      0.534      0.667      0.706      0.604
                 truck        128         12          1      0.332      0.473      0.297
                  boat        128          6      0.226      0.167      0.316      0.134
         traffic light        128         14      0.734        0.2      0.202      0.139
             stop sign        128          2          1      0.992      0.995      0.701
                 bench        128          9      0.839      0.582       0.62      0.365
                  bird        128         16      0.921      0.728      0.864       0.51
                   cat        128          4      0.875          1      0.995      0.791
                   dog        128          9      0.603      0.889      0.785      0.585
                 horse        128          2      0.597          1      0.995      0.518
              elephant        128         17      0.849      0.765        0.9      0.679
                  bear        128          1      0.593          1      0.995      0.995
                 zebra        128          4      0.848          1      0.995      0.965
               giraffe        128          9       0.72          1      0.951      0.722
              backpack        128          6      0.589      0.333      0.376      0.232
              umbrella        128         18      0.804        0.5      0.643      0.414
               handbag        128         19      0.424     0.0526      0.165     0.0889
                   tie        128          7      0.804      0.714      0.674      0.476
              suitcase        128          4      0.635      0.883      0.745      0.534
               frisbee        128          5      0.675        0.8      0.759      0.688
                  skis        128          1      0.567          1      0.995      0.497
             snowboard        128          7      0.742      0.714      0.747        0.5
           sports ball        128          6      0.716      0.433      0.485      0.278
                  kite        128         10      0.817       0.45      0.569      0.184
          baseball bat        128          4      0.551       0.25      0.353      0.175
        baseball glove        128          7      0.624      0.429      0.429      0.293
            skateboard        128          5      0.846        0.6        0.6       0.41
         tennis racket        128          7      0.726      0.387      0.487       0.33
                bottle        128         18      0.448      0.389      0.376      0.208
            wine glass        128         16      0.743      0.362      0.584      0.333
                   cup        128         36       0.58      0.278      0.404       0.29
                  fork        128          6      0.527      0.167      0.246      0.184
                 knife        128         16      0.564        0.5       0.59       0.36
                 spoon        128         22      0.597      0.182      0.328       0.19
                  bowl        128         28      0.648      0.643      0.618      0.491
                banana        128          1          0          0      0.124     0.0379
              sandwich        128          2      0.249        0.5      0.308      0.308
                orange        128          4          1       0.31      0.995      0.623
              broccoli        128         11      0.374      0.182      0.249      0.203
                carrot        128         24      0.648      0.458      0.572      0.362
               hot dog        128          2      0.351      0.553      0.745      0.721
                 pizza        128          5      0.644          1      0.995      0.843
                 donut        128         14      0.657          1       0.94      0.864
                  cake        128          4      0.618          1      0.945      0.845
                 chair        128         35      0.506      0.514      0.442      0.239
                 couch        128          6      0.463        0.5      0.706      0.555
          potted plant        128         14       0.65      0.643      0.711      0.472
                   bed        128          3      0.698      0.667      0.789      0.625
          dining table        128         13      0.432      0.615      0.485      0.366
                toilet        128          2      0.615        0.5      0.695      0.676
                    tv        128          2      0.373       0.62      0.745      0.696
                laptop        128          3          1          0      0.451      0.361
                 mouse        128          2          1          0     0.0625    0.00625
                remote        128          8      0.843        0.5      0.605      0.529
            cell phone        128          8          0          0     0.0549     0.0393
             microwave        128          3      0.435      0.667      0.806      0.718
                  oven        128          5      0.412        0.4      0.339       0.27
                  sink        128          6       0.35      0.167      0.182      0.129
          refrigerator        128          5      0.589        0.4      0.604      0.452
                  book        128         29      0.629      0.103      0.346      0.178
                 clock        128          9      0.788       0.83      0.875       0.74
                  vase        128          2      0.376          1      0.828      0.795
              scissors        128          1          1          0      0.249     0.0746
            teddy bear        128         21      0.877      0.333      0.591      0.394
            toothbrush        128          5      0.743        0.6      0.638      0.374
Speed: 1.0ms preprocess, 8.5ms inference, 0.0ms loss, 1.6ms postprocess per image
Results saved to runs/detect/val

可视化的结果为:

【计算机视觉】YOLO 入门:训练 COCO128 数据集,计算机视觉,计算机视觉,YOLO,人工智能,YOLOv8,COCO128
【计算机视觉】YOLO 入门:训练 COCO128 数据集,计算机视觉,计算机视觉,YOLO,人工智能,YOLOv8,COCO128
【计算机视觉】YOLO 入门:训练 COCO128 数据集,计算机视觉,计算机视觉,YOLO,人工智能,YOLOv8,COCO128
【计算机视觉】YOLO 入门:训练 COCO128 数据集,计算机视觉,计算机视觉,YOLO,人工智能,YOLOv8,COCO128
【计算机视觉】YOLO 入门:训练 COCO128 数据集,计算机视觉,计算机视觉,YOLO,人工智能,YOLOv8,COCO128
【计算机视觉】YOLO 入门:训练 COCO128 数据集,计算机视觉,计算机视觉,YOLO,人工智能,YOLOv8,COCO128
【计算机视觉】YOLO 入门:训练 COCO128 数据集,计算机视觉,计算机视觉,YOLO,人工智能,YOLOv8,COCO128
【计算机视觉】YOLO 入门:训练 COCO128 数据集,计算机视觉,计算机视觉,YOLO,人工智能,YOLOv8,COCO128
【计算机视觉】YOLO 入门:训练 COCO128 数据集,计算机视觉,计算机视觉,YOLO,人工智能,YOLOv8,COCO128
【计算机视觉】YOLO 入门:训练 COCO128 数据集,计算机视觉,计算机视觉,YOLO,人工智能,YOLOv8,COCO128
【计算机视觉】YOLO 入门:训练 COCO128 数据集,计算机视觉,计算机视觉,YOLO,人工智能,YOLOv8,COCO128
【计算机视觉】YOLO 入门:训练 COCO128 数据集,计算机视觉,计算机视觉,YOLO,人工智能,YOLOv8,COCO128文章来源地址https://www.toymoban.com/news/detail-682939.html

到了这里,关于【计算机视觉】YOLO 入门:训练 COCO128 数据集的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 计算机竞赛 深度学习人体跌倒检测 -yolo 机器视觉 opencv python

    🔥 优质竞赛项目系列,今天要分享的是 🚩 **基于深度学习的人体跌倒检测算法研究与实现 ** 该项目较为新颖,适合作为竞赛课题方向,学长非常推荐! 🥇学长这里给一个题目综合评分(每项满分5分) 难度系数:3分 工作量:3分 创新点:5分 🧿 更多资料, 项目分享: https

    2024年02月08日
    浏览(83)
  • 计算机毕设 深度学习人体跌倒检测 -yolo 机器视觉 opencv python

    🔥 这两年开始毕业设计和毕业答辩的要求和难度不断提升,传统的毕设题目缺少创新和亮点,往往达不到毕业答辩的要求,这两年不断有学弟学妹告诉学长自己做的项目系统达不到老师的要求。 为了大家能够顺利以及最少的精力通过毕设,学长分享优质毕业设计项目,今天

    2024年02月14日
    浏览(66)
  • 计算机设计大赛 深度学习人体跌倒检测 -yolo 机器视觉 opencv python

    🔥 优质竞赛项目系列,今天要分享的是 🚩 **基于深度学习的人体跌倒检测算法研究与实现 ** 该项目较为新颖,适合作为竞赛课题方向,学长非常推荐! 🥇学长这里给一个题目综合评分(每项满分5分) 难度系数:3分 工作量:3分 创新点:5分 🧿 更多资料, 项目分享: https

    2024年02月21日
    浏览(92)
  • 计算机视觉——DiffYOLO 改进YOLO与扩散模型的抗噪声目标检测

    物体检测技术在图像处理和计算机视觉中发挥着重要作用。其中,YOLO 系列等型号因其高性能和高效率而备受关注。然而,在现实生活中,并非所有数据都是高质量的。在低质量数据集中,更难准确检测物体。为了解决这个问题,人们正在探索新的方法。例如,本文提出了一

    2024年04月25日
    浏览(43)
  • 计算机毕设 深度学习手势识别 - yolo python opencv cnn 机器视觉

    🔥 这两年开始毕业设计和毕业答辩的要求和难度不断提升,传统的毕设题目缺少创新和亮点,往往达不到毕业答辩的要求,这两年不断有学弟学妹告诉学长自己做的项目系统达不到老师的要求。 为了大家能够顺利以及最少的精力通过毕设,学长分享优质毕业设计项目,今天

    2024年02月14日
    浏览(67)
  • 计算机视觉基础知识(十三)--推理和训练

    Supervisied Learning 输入的数据为训练数据; 模型在训练过程中进行预期判断; 判断错误的话进行修正; 直到模型判断预期达到要求的精确性; 关键方法为分类和回归 逻辑回归(Logistic Regression) BP神经网络(Back Propagation Neural Network) Unsupervisied Learning 没有训练数据; 模型基于无标记数据

    2024年02月22日
    浏览(141)
  • 毕业设计:基于机器学习的硬币检测识别系统 人工智能 YOLO 计算机视觉

    目录 前言 课题背景和意义 实现技术思路 一、 硬币检测方法 1.1 规格、变形监测 1.2 变色检测 二、 数据集 三、实验及结果分析 3.1 实验环境搭建 3.2 模型训练 最后     📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为

    2024年02月20日
    浏览(83)
  • 毕业设计选题:基于深度学习的舌头分割系统 人工智能 YOLO 计算机视觉

    目录 前言 课题背景和意义 实现技术思路 一、 算法理论基础 1.1 Snake模型  1.2 几何约束  1.3 切片重组 二、 数据集 三、实验及结果分析 最后     📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。

    2024年02月19日
    浏览(151)
  • 计算机视觉-目标检测(二):从R-FCN到YOLO-v3

    论文链接:R-FCN:Object Detection via Region-based Fully Convolutional Networks 论文出处:NIPS 2016 Faster R-CNN包含两部分 Fully Convolutional subnetwork before RoI Layer RoI-wise subnetwork 第1部分直接用普通分类网络的卷积层,用其来提取共享特征,然后使用RoI Pooling Layer在第1部分的最后一张特征图上进行

    2024年02月10日
    浏览(43)
  • 【计算机视觉 | 目标检测】YOLO-NAS的介绍以及如何使用?(含源代码)

    Github 仓库: 参考QARepVGG,该方案引入了QSP与QCI模块以同时利用重参数与8-bit量化的优化; 该方案采用AutoNAC搜索最优尺寸、每个stage的结构,含模块类型、数量以及通道数; 采用混合量化机制进行模型量化,既考虑了每一层对精度与延迟的影响,也考虑了8-bit与16-bit之间切换对

    2024年02月03日
    浏览(42)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包