一、概要2020年6月10日，Ultralytics在github上正式发布了YOLOv5。YOLO系列可以说是单机目标检测框架中的潮流前线了，由于YOLOv5是在PyTorch中实现的，它受益于成熟的PyTorch生态系统，支持更简单，部署更容易，相对于YOLOv4，YOLOv5具有以下优点：速度更快。在YOLOv5 Colab notebook上，运行TeslaP100，我们看到每张图像的推理

一、概要2020年6月10日，Ultralytics在github上正式发布了YOLOv5。YOLO系列可以说是单机目标检测框架中的潮流前线了，由于YOLOv5是在PyTorch中实现的，它受益于成熟的PyTorch生态系统，支持更简单，部署更容易，相对于YOLOv4，YOLOv5具有以下优点：速度更快。在YOLOv5 Colab notebook上，运行TeslaP100，我们看到每张图像的推理

一、概要2020年6月10日，Ultralytics在github上正式发布了YOLOv5。YOLO系列可以说是单机目标检测框架中的潮流前线了，由于YOLOv5是在PyTorch中实现的，它受益于成熟的PyTorch生态系统，支持更简单，部署更容易，相对于YOLOv4，YOLOv5具有以下优点：速度更快。在YOLOv5 Colab notebook上，运行TeslaP100，我们看到每张图像的推理

在数据分析中，利用箱型图的方法对异常数据进行过滤，是一种很快速、很有效的异常数据处理方法。箱形图（英文：Box plot），又称为盒须图、盒式图、盒状图或箱线图，是一种用作显示一组数据分散情况资料的统计图。因型状如箱子而得名。在各种领域也经常被使用，常见于品质管理，快速识别异常值。箱形图最大的优点就是不受异常值的影响，能够准确稳定地描绘出数据的离散分布情况，同时也利于数据的清洗。箱型图可以通过程序

一、概要2020年6月10日，Ultralytics在github上正式发布了YOLOv5。YOLO系列可以说是单机目标检测框架中的潮流前线了，由于YOLOv5是在PyTorch中实现的，它受益于成熟的PyTorch生态系统，支持更简单，部署更容易，相对于YOLOv4，YOLOv5具有以下优点：速度更快。在YOLOv5 Colab notebook上，运行TeslaP100，我们看到每张图像的推理

在进行路面裂缝识别的项目中，我截取了9000多张只存在路面裂缝的100X100的图片，因为再进行一张一张的标注过于麻烦，所以我采用xml包利用python自动生成xml文件，作为yolov5识别的数据集。数据集中xml文件的具体内容可以参考：PASCAL VOC 数据集简介代码如下所示：from lxml.etree import Element, SubElement, tostringfrom

这里依然是应用在图像分割的场景，在对路面病害中的裂缝进行检测时，通过UNet++图像分割模型我们可以得到裂缝的标注图像，如下图所示。针对裂缝的图像分割图像，我们仍需进一步的进行图像处理操作，计算裂缝的宽度。这里我采用的是膨胀圆算法，通过opencv计算裂缝轮廓中最大内切圆，以此来求得最大的裂缝宽度。代码如下：import cv2import mathimport randomimport nump