摘要： 目录1.将xml格式数据转换为txt格式2.划分数据集3.配置路径4.使用 本文是跑yolov8前的数据集配置记录 注意： 图片命名不要包含中文,不带空格 后缀统一为.jpg/.png 标注文件（Annotations）有对应的原图 1.将xml格式数据转换为txt格式 提前在VCOdevkit文件 阅读全文

摘要： 目录1.导入类2.attention.py中放入函数名3.需不需要通道数（True\False）4.更改配置文件5.测试 本文在yolo的基础上增加了注意力机制 1.导入类 在ultralytics\nn\models\extra_modules\attention.py中导入想添加的注意力的类，如 阅读全文

摘要： [TOC] > YOLOX是在YOLOV3基础上做的改进，数据处理部分同Yolov5的Mosaic数据增强（利用了四张图片进行拼接实现数据中增强）；backbone部分使用了Yolov5的Focus网络结构，并且把SPP结构用到了backbone部分（Yolov5用到FPN结构）； Head部分，以 阅读全文

摘要： 目录1.网络结构(1)backbone(2)SPPCSPC层(3)RepConv层2.标签分配(1)对位置和anchor框大小做初筛(2)根据IOU和类别进行复筛3.计算损失4.预测结果 YOLOV7主要的贡献在于： 1.将模型重参数化引入到网络架构中，重参数化这一思想最早出现于REPVGG中。 2 阅读全文

摘要： [TOC] > 本文使用NEU-DET数据集和yolov5算法对钢材表面的六种常见缺陷进行检测。 ### 1.处理数据 #### (1)读入数据和标签 展开代码 ``` python class LoadImagesAndLabels(Dataset): # for training/testing 阅读全文

摘要： [TOC] > 使用onnx工具能可视化的展示神经网络的结构，便于理解和学习。 ### 1.pip install onnx ### 2.根据以下脚本把.pt文件转换成.onnx文件 ``` python """Exports a YOLOv5 *.pt model to ONNX and Torc 阅读全文

摘要： ### json2yolo脚本 - yolo所对应的格式是.txt,其中包含框的类别索引，中心点坐标，boundingboxs的宽，高。 ``` python import json import os #由x1,y1,x2,y2 >Cx,Cy,W,H 相对位置（取值范围0-1） name2id = 阅读全文

摘要： ### xml2yolo脚本 - yolo所对应的格式是.txt,其中包含框的类别索引，中心点坐标，boundingboxs的宽，高。 ``` python import xml.etree.ElementTree as ET import pickle import os from os impo 阅读全文

摘要： [TOC] > 本文在YOLO-V3的基础上实现了把官方的coco数据集换成自己（的人、口罩二分类）的目标检测任务。训练自己的数据，并完成预测。 ### 1.用labelme为数据打标签 - 需提前pip install labelme;pyqt5; pillow。然后在Anaconda promp 阅读全文

摘要： [TOC] > Yolov3取消池化和全连接层，全部由53个卷积层组成，又名Darknet53，采用多scale，每个scale包含三种候选框，对不同的特征图进行融合后再预测（感受野大的上采样后与感受野相对较小的融合）。利用coco数据集对模型进行训练，最后返回物体所在位置以及物体的类别（回归和分类 阅读全文