yolo专题

YOLO v3 训练速度慢的问题

一天一夜出了两个模型，仅仅迭代了200次原因：编译之前没有将Makefile 文件里的GPU设置为1，编译的是CPU版本，必须训练慢解决方案： make clean vim Makefile make 再次训练速度快了，5分钟迭代了500次

[数据集][目标检测]棉花叶子害虫检测数据集VOC+YOLO格式595张1类别

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：595 标注数量(xml文件个数)：595 标注数量(txt文件个数)：595 标注类别数：1 标注类别名称:["insect"] 每个类别标注的框数： insect 框数 = 823 总框数：823 使用标注工具：

[数据集][目标检测]棉花叶子害虫检测数据集VOC+YOLO格式571张1类别

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：595 标注数量(xml文件个数)：595 标注数量(txt文件个数)：595 标注类别数：1 标注类别名称:["insect"] 每个类别标注的框数： insect 框数 = 823 总框数：823 使用标注工具：

YOLO： Real-Time Object Detection解读

YOLO不同于RCNN系列分为region proposal和classification，YOLO是直接输出box位置和box所属的类别，整张图都是网络的输入，是个回归问题。 YOLO的主要特点：速度快，能够达到实时的要求。在 Titan X 的 GPU 上能够达到 45 帧每秒。使用全图作为 Context 信息，背景错误（把背景错认为物体）比较少。泛化能力强。在自然图像上训练好的

数据集制作——语义分割前png、jpg格式标签图转yolo格式.txt文件（附代码）

💪 专业从事且热爱图像处理，图像处理专栏更新如下👇： 📝《图像去噪》 📝《超分辨率重建》 📝《语义分割》 📝《风格迁移》 📝《目标检测》 📝《暗光增强》 📝《模型优化》 📝《模型实战部署》目录一、YOLO格式二、实现步骤三、代码3.1 参数修改3.2 代码四、转换结果五、总结一、YOLO格式 YOLO格式的数据集通常包含两部分：图像文件和对应

Roboflow对YOLO数据集、标注、训练、下载

一、Roboflow 介绍一个功能丰富的在线数据标注和深度学习平台，它提供了从数据标注到模型训练的一站式服务，yolov5到v8官方推荐的数据集查找及下载网站。主要功能 1、在线标注数据：Roboflow支持在线标注图片和视频数据，提供多种标注方式，包括边界框（Bounding Box）、多边形（Polygon）、关键点（Keypoints）等。 2、数据格式转换：Roboflow

改进YOLO系列 | Microsoft 团队 | Dynamic Convolution ：自适应地调整卷积参数

改进YOLO系列：Microsoft团队的Dynamic Convolution——自适应调整卷积参数的计算机视觉方法（中文综述）简介 YOLO（You Only Look Once）是一种目标检测算法，以其速度和精度著称。本文将介绍YOLO系列的改进，包括Microsoft团队提出的Dynamic Convolution（动态卷积）。Dynamic Convolution通过自适应调整卷

目标检测数据集 - 零售食品LOGO检测数据集下载「包含VOC、COCO、YOLO三种格式」

数据集介绍：零售食品 LOGO 检测数据集，真实零售食品 LOGO 高质量商品图片数据，数据集含常见零售食品 LOGO 图片，包括饮料类、酒类、调味品类、膨化饼干类、巧克力类、常见零食类等等。数据集类别丰富，标注标签包含 1500 个商品商标类别；适用实际项目应用：零售食品 LOGO 检测项目，以及作为通用新零售场景商品目标检测数据集场景数据的补充；标注说明：采用 labelimg 标注软件进行

yolo案例项目学习记录

box-ocr: 监控摄像头视频流实时计数传送带的货物，并提取货物上面文字或二维码 1.本地环境： 1.1torch、torchvison、torchaudio版本对应关系 PyTorch中torch、torchvision、torchaudio、torchtext版本对应关系_torch2.0.1对应的torchvision-CSDN博客 1.2pip install torch

[数据集][目标检测]减速带检测数据集VOC+YOLO格式5400张1类别

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：5400 标注数量(xml文件个数)：5400 标注数量(txt文件个数)：5400 标注类别数：1 标注类别名称:["speedbump"] 每个类别标注的框数： speedbump 框数 = 7343 总框数：7

yolo-inference多后端+多任务+多算法+多精度模型框架开发记录(python版)

先贴出github地址，欢迎大家批评指正：https://github.com/taifyang/yolo-inference 不知不觉LZ已经快工作两年了，由于之前的工作内容主要和模型部署相关，想着利用闲暇时间写一些推理方面的经验总结，于是有了这个工程。其实本来也是自己写了玩的，不过已经陆续迭代半年多了，期间也通过借签优秀代码吸收了经验，索性总结一下心得~ 1.0 初始版本 1.1 支持多精度

YOLO v10 是目前最好的吗？

点击下方卡片，关注“小白玩转Python”公众号 YOLO（You Only Look Once，你只看一眼）因其快速的对象检测算法而闻名。它的速度和效率使其成为计算机视觉（CV）领域中对象检测的标准方法。YOLO 可以实时处理图像，使其非常适合自动驾驶、安全监控和零售分析等应用。 YOLO 是如何工作的？考虑图像分类的场景，目标是确定图像是否包含狗或人。当涉及到图像分类，我们应该确定它是

9.1.3 简单介绍单阶段模型YOLO、YOLOv2、YOLO9000、YOLOv3的发展过程

9.1.3 简单介绍单阶段模型YOLO、YOLOv2、YOLO9000、YOLOv3的发展过程前情回顾：9.1.2 简单介绍两阶段模型R-CNN、SPPNet、Fast R-CNN、Faster R-CNN的发展过程摘要 YOLOYOLOv2YOLO9000YOLOv3基本思想使用一个端到端的卷积神经网络直接预测目标的类别和位置针对YOLOv1的两个缺点进行改进可以实时地检测超过9

yolo系列概述

yolov1：2015年提出的one-stage目标检测算法，与当时的Fater RCNN（two-stage）共同称为当时最受欢迎的检测模型。特点为anchor-free：没有anchor的概念，每个cell直接输出bbox。每个cell仅输出2个bbox，每个cell输出向量为（20+ (4+1)*2），20为20个类，1为bbox概率，4为bbox信息，一张图片最终变为7×7的特征图，一

用Python绘制yolo训练结果比较图-论文需要

代码内容来自于网络用博客记录利用训练生成的result.csv中数据，形成多模型的比较图。代码中演示的是map50、map50-95、losss的比较图 import matplotlib.pyplot as pltimport pandas as pdimport numpy as npif __name__ == '__main__':# 列出待获取数据内容的文件位置# v5

yolo-inference多后端+多任务+多算法+多精度模型框架开发记录(cpp版)

先贴出github地址，欢迎大家批评指正：https://github.com/taifyang/yolo-inference 不知不觉LZ已经快工作两年了，由于之前的工作内容主要和模型部署相关，想着利用闲暇时间写一些推理方面的经验总结，于是有了这个工程。其实本来也是自己写了玩的，不过已经陆续迭代半年多了，期间也通过借签优秀代码吸收了经验，索性总结一下心得~ 1.0 初始版本 1.1 支持多精度

[数据集][目标检测]胸部解剖检测数据集VOC+YOLO格式100张10类别

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：100 标注数量(xml文件个数)：100 标注数量(txt文件个数)：100 标注类别数：10 标注类别名称:[“carina”,“clavicle_left”,“clavicle_right”,“gastric_

[数据集][目标检测]中国象棋检测数据集VOC+YOLO格式300张12类别

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：300 标注数量(xml文件个数)：300 标注数量(txt文件个数)：300 标注类别数：12 标注类别名称:[“black_bishop”,“black_king”,“black_knight”,“black_p

足球实况分析系统YOLO

① 足球运动员、裁判和球检测； ② 球员球队预测； ③ 足球地图上球员和球位置的估计； ④ 足球跟踪；当你启动应用程序时，会自动加载两个演示视频以及推荐的设置和超参数. 1. 使用侧栏菜单“浏览文件”按钮上传视频进行分析； 2. 在侧边栏菜单的文本字段中输入与上传视频对应的团队名称； 3. 访问主页中的“团队颜色”选项卡； 4. 选择可以检测到两队球员和守门员的框架；

[数据集][目标检测]变电站火灾检测电力场景烟雾明火检测数据集VOC+YOLO格式140张2类别真实场景非PS合成

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：140 标注数量(xml文件个数)：140 标注数量(txt文件个数)：140 标注类别数：2 标注类别名称:["fire","smoke"] 每个类别标注的框数： fire 框数 = 109 smoke 框数 =

玉米粒计数检测数据集VOC+YOLO格式107张1类别

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：107 标注数量(xml文件个数)：107 标注数量(txt文件个数)：107 标注类别数：1 标注类别名称:["corn"] 每个类别标注的框数： corn 框数 = 2137 总框数：2137 使用标注工具：la

目标检测数据集 - 垃圾桶满溢检测数据集下载「包含VOC、COCO、YOLO三种格式」

数据集介绍：垃圾桶满溢检测数据集，真实场景高质量图片数据，涉及场景丰富，比如城市道边垃圾桶满溢、小区垃圾桶满溢、社区垃圾桶满溢、农村道边垃圾桶满溢、垃圾集中处理点垃圾桶满溢、公园垃圾桶满溢数据等。数据集标注标签划分为 "overflow"、"garbage"、"garbage_bin" 三个类别；适用实际项目应用：生活场景下垃圾桶满溢检测项目，以及作为生活场景通用垃圾检测数据集场景数据的补充；标

[数据集][目标检测]足球场足球运动员身份识别足球裁判员数据集VOC+YOLO格式312张4类别

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：312 标注数量(xml文件个数)：312 标注数量(txt文件个数)：312 标注类别数：4 标注类别名称:[“ball”,“goalkeeper”,“player”,“referee”] 每个类别标注的框数：

NVIDIA Jetson TX1 系列开发教程之十四：YOLO安装与优化加速

NVIDIA Jetson TX1 系列开发教程之十四：YOLO安装与优化加速转载请注明作者和出处：http://blog.csdn.net/u011475210嵌入式平台：NVIDIA Jetson TX1嵌入式系统：Ubuntu16.04编者: WordZzzz NVIDIA Jetson TX1 系列开发教程之十四YOLO安装与优化加速前言YOLO安装YOLO的优化加速

YOLO网络参数

batch: 每一次迭代送到网络的图片数量，也叫批数量。增大这个可以让网络在较少的迭代次数内完成一个epoch。在固定最大迭代次数的前提下，增加batch会延长训练时间，但会更好的寻找到梯度下降的方向。如果你显存够大，可以适当增大这个值来提高内存利用率。这个值是需要大家不断尝试选取的，过小的话会让训练不够收敛，过大会陷入局部最优。 subdivision：这个参数很有意思的，它会让你的每一

5.31.15 使用图像到图像转换和 YOLO 技术对先前的乳房 X 光检查结果中的异常进行早期检测和分类

在本研究中，我们研究了基于 You-Only-Look-Once (YOLO) 架构的端到端融合模型的有效性，该模型可同时检测和分类数字乳房 X 光检查中的可疑乳腺病变。包括四类病例：肿块、钙化、结构扭曲和正常，这些病例来自包含 413 个病例的私人数字乳房 X 光检查数据库。对于所有病例，先前的乳房 X 光检查（通常是 1 年前扫描的）均报告为正常，而当前的乳房 X 光检查被诊断为癌变（经活