摘要 我们在之前 PP-YOLOv2 的基础上进行了优化，使用 无锚 范式，更强大的主干和颈部配备了 CSPRepResStage 。 ET-head 和动态标签分配算法 TAL 。 1 、介绍 受 YOLOX 的启发，我们进一步优化了之前的工作 PP-YOLOv2 。 PP-YOLOv2 是一款高性能单级探测器。基于PP-YOLOv2 ，我们提出了一个 YO

若该文为原创文章，转载请注明原文出处。 注：转换测试使用的是Autodl服务器，CUDA11.1版本，py3.8。 一、PP-YOLOE环境安装 创建环境 # 使用 conda 创建一个名为 PaddleYOLO 的环境，并指定 python 版本conda create -n PaddleYOLO python=3.8 激活 conda activate PaddleYOLO

PP-YOLO系列，均是基于百度自研PaddlePaddle深度学习框架发布的算法，2020年基于YOLOv3改进发布PP-YOLO，2021年发布PP-YOLOv2和移动端检测算法PP-PicoDet，2022年发布PP-YOLOE和PP-YOLOE-R。由于均是一个系列，所以放一起解读，方便对比前后改进地方。 PP-YOLO系列算法解读： PP-YOLO算法解读PP-YOLOv2

目录 效果 模型信息 项目 代码  下载 C# Onnx 百度飞桨开源PP-YOLOE-Plus目标检测 效果 模型信息 Inputs ------------------------- name：image tensor：Float[1, 3, 640, 640] name：scale_factor tensor：Float[1, 2] ----------------

一、创建项目 此博客仅是运行PP-YOLOE源码，这里以变压器渗漏数据集为例COCO数据集太大了，跑不动，V100训练预估计得7天左右，即便是A100也得4天半，变压器渗漏油数据集跑一个小时左右，还可以接受，那么不墨迹直接进入手把手环节。 首先，进入百度搜索飞桨，进入云平台选择项目–>创建项目–>NoteBook 然后，输入项目名称，添加数据集（点击添加数据集，按需搜索即可，也可自己创建数据集

YOLO系列目标检测算法目录 - 文章链接 YOLO系列目标检测算法总结对比- 文章链接 YOLOv1- 文章链接 YOLOv2- 文章链接 YOLOv3- 文章链接 YOLOv4- 文章链接 Scaled-YOLOv4- 文章链接 YOLOv5- 文章链接 YOLOv6- 文章链接 YOLOv7- 文章链接 PP-YOLO- 文章链接 PP-YOL

从YOLO v1-v8 YOLO v1YOLO 流程网格（grid）、锚点（anchors）、锚框（anchor boxes）交并比为什么把图像分割成 n*n 的格子呢？边界框的作用？为什么需要俩个边界框？那如果一个格子有俩个以上的对象呢？主干网络损失函数解析为什么不是一个损失函数？怎么判断是否有物体以及预测准确性？非极大值抑制去除重复预测结果YOLO v1 的优化思路 YOLO v2更轻量