设计了重参数化的模块，将训练和推理解耦，并且设计了两个系列的整体网络结构和相应的缩放方法，可以适应不同的精度性能需求，结果显示在GPU上推理速度高于renset系列。PS：这个网络主要考虑的是提升GPU（不是移动端）的计算密度（计算量除以计算时间），追求高速度、省内存，较少关注参数量和理论计算量。在低算力设备上，可能不如 MobileNet 和 ShuffleNet 系列适用。主要借鉴了ACNet

linux 查看cuda、cudnn版本。以及推理变慢等原因的排查。

由于当前版本安装后，大家反应import nvcv cvcuda 失败，看官方文档，当前还不是很规范，特此记录当前版本的安装方法。

本文主要介绍了YOLOV9 算法的原理，并结合官方git 源码和其他人员的一些issue，更深层的尝试去探讨论文具体实现时的一些疑问。

主要记录使用NVIDIA GPU + pytorch + 检测系列模型的快速使用方式(包括：训练、测试、导出、量化)，可以快速解决一些工业应用的问题，比如：无网、数据大需要改路径、需要记录不同实验结果等问题。

其实到了YOLOV5 基本创新点就不太多了，主要就是大家互相排列组合复用不同的网络模块、损失函数和样本匹配策略,V11支持多种视觉任务：物体检测、实例分割、图像分类、姿态估计和定向物体检测（OBB）。对比YOLOV8主要涉及到：*backbone 中的使用C2f模块 变为 c3k2 模块。*backbone 中的最后一层（sppf层）后增加了C2PSA模块。*head 解耦头中的分类检测头两个Co

本篇主要用于说明如何使用自己的训练数据，快速在YOLOV8 框架上进行训练。当前（20230116）官方文档和网上的资源主要都是在开源的数据集上进行测试，对于算法“小白”或者“老鸟”如何快速应用到自己的项目中，这个单纯看官方文档显得有点凌乱，因为YOLOV8 不再致力于做一个单纯算法，而是想要做一个一统（分类、检测、分割且多种模型）的框架。本文以检测为例。

1、主要贡献（优点）一阶段、快速、端到端训练*快速，pipline简单.*背景误检率低。*通用性强。YOLO对于艺术类作品中的物体检测同样适用。它对非自然图像物体的检测率远远高于DPM和RCNN系列检测方法。2、主要思路通过全卷积网络，将输入图像映射为一个7*7*30 的张量，7*7是吧整个图像划为7*7个网格，每个网格设置2个预选框（训练可以理解为进化的思路），如下左图；30是每个位置的编码如下

场景：当我们使用YOLOV5训练模型时，官方的建议也是使用尽可能大的batch size这样BN更加的准确，训练速度也最快，但是当我们的batch size设置的过大会导致显卡内存溢出，而此时如果是多卡训练，很有可能出现长时间无法退出占用显存。解决方法：第一种：使用nvidia-smi，下方有对应的pid。可以使用kill命令杀掉进程，如下图，可以用如下命令：sudo kill -9 35346

yolov6 特性解读和完整的网络结构可视化。