使用tensorflow-serving在docker在虚拟机上【服务器】拉取镜像的方式进行YOLOv3模型部署,并将检测结果在windows系统下【客户端】显示，现将过程整理记录下来。参考代码：https://github.com/George-2019/tensorflow-serving-yolov3；https://github.com/Byronnar/tensorflow-servin

通过分析yaml文件，并将训练阶段的yolov7结构转onnx可视化以后，用Visio画了一下主干和SPPCSPC的结构图，其他结构部分后面有时间了再细画。【注意这里强调了是训练阶段，不是预测阶段，预测阶段的结构图和训练是不一样的，因为预测阶段采用了重参化结构，可以看我另一篇将RepVGG重构的文章】...

yolo终于又更新了！！看了一下yolov7的论文，然后把论文翻译以及自己的一些思考写了进去，这里还包含了我对论文中粗label和细label的详细解释【自己的理解】，其实就是借鉴了蒸馏思想。希望可以帮助到大家，肯定还有很多地方没有思考清楚，后面会不定时对该文进行补充更新。...

本文章主要是针对yolov7中数据集处理部分代码进行解析(和yolov5是一样的)，也是可以更好的理解训练中送入的数据集到底是什么样子的。数据集的处理离不开两个类，(from torch.utils.data.dataloader import DataLoader)，不论什么样的算法，在处理数据集的时候都需要继承这两个类来重写自己的数据集(在我另外的文章中有讲这两个类的使用)。

engine文件的读取需要用到ifstreamifstream – 从已有的文件读入ofstream – 向文件写内容fstream - 打开文件供读写文件打开模式：ios::in 只读ios::out 只写ios::app 从文件末尾开始写，防止丢失文件中原来就有的内容ios::binary 二进制模式ios::nocreate 打开一个文件时，如果文件不存在，不创建文件ios::norepla

本文章将结合代码对yolov5损失函数部分进行详细说明，包含其中的样本匹配问题。如果还需要学习关于yolov5其他部分内容，可以参考我其他文章。yolov5语义分割：yolov5 trt 学习：yolov5剪枝：通过yaml修改yolov5：iou样本匹配：下面的3个feature_map是仿照v5的head随机产生的输出。为了方便后面代码讲解，这里我设置的num_classes为1。而标签tar

SegmentationModel类DetectionModel类推理阶段DetectionModel--forward()BaseModel--forward() Segment类Detect--forward定义model将会调用models/yolo.py中的类SegmentationModel。该类是继承父类--DetectionModel类。DetectionModel类因此直接去看下D

本文是在之前的基于yolov5的人脸关键点检测项目上扩展来的。因为人脸目标检测的效果将直接影响到人脸关键点检测的效果，因此本文主要讲解利用yolov5训练人脸目标检测(关键点检测可以看我人脸关键点检测文章)

上一篇文章中已经详细叙述了如何用tensorRT将onnx转为engine。本篇文章将继续讲解trt的推理部分。与之前一样，在讲解之前需要先介绍一些专业术语，让大家看看这些内置函数都有什么功能。Binding翻译过来就是绑定。engine/context会给所有的输入输出安排位置。总共有个binding。这里借用一张图来说明，下面图中如果模型有两个输入张量x、y，两个输出张量index和entro

近年来，随着深度学习的迅猛发展，计算机视觉领域取得了巨大的突破。其中，目标检测是计算机视觉中的一个重要任务，它在许多应用领域中起到了至关重要的作用。然而，目标检测所需的大量标注数据集的制作却是一项耗时且繁琐的工作。为了解决这个问题，本文实现了一个基于YOLOv5的自动数据集标注功能脚本。YOLOv5是当今目标检测领域的一种优秀模型，其高效准确的检测能力被广泛认可。我们的自动数据集标注工具通过使用已