登录社区云，与社区用户共同成长
邀请您加入社区
YOLOv4通过"Bag of Freebies"和"Bag of Specials"两大技术体系，在保持高效推理速度的同时显著提升检测精度。其创新包括：Mosaic数据增强、DropBlock正则化、CIoU损失函数优化、DIoU-NMS改进，以及SPP、CSP、PAN等网络结构创新。这些技术使YOLOv4在单GPU训练条件下实现实时高精度检测，有效应对遮
【计算机视觉 | 目标检测 | 图像分割】arxiv 计算机视觉关于目标检测和图像分割的学术速递（8 月 7 日论文合集）
【计算机视觉 | 目标检测】arxiv 计算机视觉关于目标检测的学术速递（8 月 8 日论文合集）
数据集格式：Pascal VOC格式(不包含分割路径的txt文件和yolo格式的txt文件，仅仅包含jpg图片和对应的xml)重要说明：qs_yes表示牵狗系狗绳，只有人狗都存在时候才会标注，qs_no表示牵狗没系狗绳，只有人狗都存在时候才会标注，标注类别名称:["dog","person","rope","qs_yes","qs_no"]特别声明：本数据集不对训练的模型或者权重文件精度作任何保证
我们提出了一种全卷积单级目标检测器（FCOS），以每像素预测的方式解决目标检测，类似于语义分割。几乎所有最先进的目标检测器，如RetinaNet、SSD、YOLOv3和Faster R-CNN，都依赖于预定义的锚框。相比之下，我们提出的检测器FCOS是无锚框的，也是无提案的。通过消除预定义的锚框集合，FCOS完全避免了与锚框相关的复杂计算，例如在训练期间计算重叠。更重要的是，我们还避免了与锚框相关
想要筛选错误样本的话，很困难。可以把目标区域裁剪出来。人大脑处理对于这样的异己比较敏感。样本量较少的话可以自己筛一筛。样本量较大的话，可以训练一个分类模型帮你筛一下。我在进行目标检测时候，比如红绿灯检测，目标区域很小，样本杂乱。进行筛选的，大同小异，别的文件类型也就是登录读取信息不一样。
手把手教你百度飞桨PP-YOLOE部署到瑞芯微RK3588
