2、定义conv_dw结构3、MobileNetV1主干只需将MobileNetV1结构替换原yolov4中的CSPDarknet53主干网络即可，后面的Neck层和Head层都是一样的，我们还要定义一个变量in_filters，它对应三个预测特征层的输出通道数，对于不同的主干网络，三个预测特征层的输出通道数是不一样的；还有一点需要注意的是，为了减少参数量，我们把Neck层和Head层中所有的3*

本文以YOLOv5-6.1版本1.修改common.py,在common.py后加入如下代码# 结合BiFPN 设置可学习参数 学习不同分支的权重# 两个分支add操作class BiFPN_Add2(nn.Module):def __init__(self, c1, c2):super(BiFPN_Add2, self).__init__()# 设置可学习参数 nn.Parameter的作用是：

语义分割数据增强代码

旋转目标检测：环境配置 - 数据集制作 - 开始训练

pre-process：图像预处理时间，包括图像保持长宽比缩放和padding填充，通道变换（HWC->CHW）和升维处理等；inference：推理速度，指预处理之后的图像输入模型到模型输出结果的时间；NMS ：你可以理解为后处理时间，对模型输出结果经行转换等；data换为自己的数据集对应的yaml文件。weights换为训练自己数据集得到的权重。FPS=1000ms除以这三个时间之和。batc

旋转目标检测：环境配置 - 数据集制作 - 开始训练

classes修改为对应的类别。

classes修改为对应的类别。

3、修改配置文件，将YOLOv5s.yaml的Neck模块中的Conv换成GSConv ，C3模块换为VoVGSCSP。将YOLOv5s.yaml的Neck模块中的Conv换成GSConv，C3模块换为VoVGSCSP。2、找到yolo.py文件里的parse_model函数，将类名加入进去，注意有两处需要添加的地方。3、修改配置文件，将YOLOv5s.yaml的Neck模块中的Conv换成GSC

PyQt5利用QtDesigner设计UI界面