这个脚本是一个数据增强类。理论知识来自这篇论文：[Augmentation for small object detection](Augmentation for small object detection).import numpy as npimport randomimport cv2class copy_paste(object):def __init__(self, thresh=3

目录前言0、导入需要的包和基本配置1、相机设置2、create_dataloader3、自定义DataLoader4、LoadImagesAndLabels4.1、__init__4.2、cache_labels4.3、__len__4.4.、__getitem__4.5、collate_fn4.6、collate_fn45、img2label_paths6、verify_image_label前

c++、vscode

以下的全部内容都是构建yolov3_spp模型另外下面的所有的内容都是按照代码执行的顺序进行讲解的在网络搭建之前大家应该已经准备好了自己的数据集，并将数据集转换为yolo的格式，如果不是很清楚的朋友可以看看我的另一篇文章一、数据集制作和格式处理一、生成模型对应的cfg文件我们拿到官方给的yolov3-spp.cfg 文件，是不能直接开始训练的，因为官方给的文件是默认在VOC数据集训练的，所以还需要

目录一、效果图二、代码一、效果图二、代码import cv2import mathimport numpy as npimport osimport globimport jsonimport shutilimport xml.etree.ElementTree as ETfrom xml.etree.ElementTree import ElementTree, Elementdef h_Mir

这个脚本是一个数据增强类。理论知识来自这篇论文：[Augmentation for small object detection](Augmentation for small object detection).import numpy as npimport randomimport cv2class copy_paste(object):def __init__(self, thresh=3

目录前言一、背景二、Mish三、self-regularization、smooth四、Mish Properties五、论文实验结果六、Pytorch实现Reference前言论文地址：链接: https://arxiv.org/pdf/1908.08681.pdf.源码地址：链接: https://github.com/digantamisra98/Mish.贡献：提出了一种新型的自正则化的非

目录前言一、背景或动机二、Dynamic ReLU2.1、定义Dynamic ReLU2.2、实现超函数 θ(x)\theta(x)θ(x)2.3、Dynamic ReLU的三个版本三、论文实验结果四、PyTorch实现Reference前言论文地址： https://arxiv.org/pdf/2003.10027.pdf.源码地址： https://github.com/Islanna/Dyn

目录前言一、背景二、MixConv2.1、数学描述2.2、图解2.3、设计MixConv的几个关键点三、Pytorch实现前言论文地址：https://arxiv.org/abs/1907.09595.源码： https://github.com/tensorflow/tpu/tree/master/models/official/mnasnet/mixnet.创新： 提出MixConv（Mixe

目录前言一、Pytorch2ONNX1.1、具体操作1.2、代码二、ONNX2NCNNReference前言以YOLOv5为例子，在Windows下将权重文件进行这一整套的转换。进行转换之前，首先得先安装以下环境：Visual Studio 2019 这个b站很多下载安装介绍，就不说了。OpenCV 注意它的安装配置：VS中opencv的配置.cmake 注意它的安装配置：windows下载安装c