yolov5s专题

基于YOLOv5s的野火烟雾检测(附数据集与Coovally操作步骤)

本文主要内容:详细介绍了野火烟雾检测的整个过程，从创建数据集到训练模型再到预测结果全部可视化操作与分析。文末有数据集获取方式，请先看检测效果现状近几年火灾频发，随着社会对火灾防控的重视程度不断提高，对野火烟雾预测的需求也日益增加。传统的人工检测通常依赖于巡查人员，其覆盖范围和效率受限于人员数量和体能，难以实现大面积、实时的烟雾检测。为了应对这一难题，应用野火烟雾检测算法显得很重

OrangePi AIpro小试牛刀-目标检测（YoloV5s）

非常高兴参加本次香橙派AI Pro，香橙派联合华为昇腾打造的一款AI推理开发板评测活动，以前使用树莓派Raspberry Pi4B 8G版本，这次有幸使用国产嵌入式开发板。一窥芳容这款开发板搭载的芯片是和华为昇腾的Atlas 200I DK A2同款的处理器，功耗低至8W 默认AI CPU和Control CPU 比例1:3，芯片名称 310B1：表示芯片算

【CANN训练营】目标检测（YoloV5s）实践(Python实现）

样例介绍使用多路离线视频流（* .mp4）作为应用程序的输入，基于YoloV5s模型对输入视频中的物体做实时检测，将推理结果信息使用imshow方式显示。样例代码逻辑如下所示：环境信息 CPU：Intel® Xeon® Gold 6348 CPU @ 2.60GHz 内存：64GiB NPU：HUAWEI Ascend 310P / 1 * 24G +--------------

【Week-Y3】修改yolov5s的backbone的第4层和第6层中C3的理论循环次数

修改backbone中C3的循环次数一、yolov5s.yaml文件解析二、训练三、总结 🍨 本文为🔗365天深度学习训练营中的学习记录博客🍖 原作者：K同学啊 | 接辅导、项目定制 📕本次任务：将yolov5s网络模型中第4层的C32改为C31，第6层的C33修改为C32 📕提示：仅需修改./models/yolov5s.yaml文件与v5m、v5

YOLOv5s处理二维牙齿数据集

一、网络结构二、输入输出 1、输入 640x640的图像 2、输出权重文件测试图像三、数据预处理在github上下载YOLOv5的模型，并安装模型所需环境 pip install -U -r requirements.txt 四、训练&测试对数据集进行训练 python train.py --img 640 --batch 16 --epochs

AI助力生产制造质检，基于轻量级YOLOv5s融合CBAM注意力机制开发构建工业生产制造场景下的瓷砖瑕疵检测识别分析系统

瓷砖生产环节一般经过原材料混合研磨、脱水、压胚、喷墨印花、淋釉、烧制、抛光，最后进行质量检测和包装。得益于产业自动化的发展，目前生产环节已基本实现无人化。而质量检测环节仍大量依赖人工完成。一般来说，一条产线需要配数名质检工，人工成本是相当高昂的，且需要有经验的工人师傅才能够胜任，长时间在高光下观察瓷砖表面寻找瑕疵。这样导致质检效率低下、质检质量层次不齐且成本居高不下。瓷砖表检是瓷砖行业生产和质量管

(七) yolov5s自己数据集训练锥桶检测

0、配置环境配置yolov5s所需的环境：框架：pytorch 环境管理：anaconda(推荐) IDE：pycharm(推荐) 前边系列有讲过，这里先跳过了数据集准备数据集，就是针对于自己任务的图片和标签，以自己的应用场景为例需要检测锥桶，数据打标签的方法在上一篇这里https://blog.csdn.net/qq_53086461/article/details/1292103

【yolov5系列】将yolov5s模型部署到SigmaStar的9383芯片上

今年年初，接触了星宸科技（sigmastar）的芯片9383，将深度学习模型进行部署，使用sigmastar的深度学习加速硬件IPU进行模型推理。这里简单记录下sigmastar相关内容。补充说明，之前使用的是瑞芯微的芯片，他们将芯片的SDK等信息已经上传至github。sigmastar也已经上传，但目前在个人github账号下，具体的还是由供应商提供。 1 工具包获取从别人手里

嘉楠勘智k230开发板上手记录(五)--nncase部署yolov5s

虽然没有找到hhb的官方示例，但是我找到了nncase的，在src/big/nncase/examples中一、环境搭建 examples也有个readme，不过里面的环境搭建跟sdk中的有点差别，不过大差不差，docker容器已经启动了，需要在容器中安装nncase cd /root/k230/k230_sdk-main/src/big/nncase/pip install x86

基于yolov5s的车牌遮挡与污损检测

文章目录 1. 车牌样例1.1 正常车牌1.2 遮挡车牌 2. 检测模型2.1 数据集2.2 模型训练 3. 检测结果3.1 正常车牌结果3.2 遮挡车牌结果 1. 车牌样例 1.1 正常车牌正常车牌样本为从网上爬取下来的未遮挡车牌和从CCPD数据集中补充的部分样本，包括普通蓝色车牌和新能源车牌。 1.2 遮挡车牌遮挡车牌为人为故意遮挡的车牌、被雨雪泥土遮挡的车牌

目标检测YOLO实战应用案例100讲-基于改进YOLOv5s的道路目标检测（续）

目录 3.3融合注意力模块 3.3.1注意力机制 3.3.2 SENet 3.3.3 CBAM 3.3.4ECA 3.3.5改进后的算法网络结构

YOLOv5算法 | 万字长文带你深度解析yolov5s.yaml配置文件

前言：Hello大家好，我是小哥谈。配置文件yolov5s.yaml在YOLOv5模型训练过程中发挥着至关重要的作用，属于初学者必知必会的文件！在YOLOv5-6.0版本源码中，配置了5种不同大小的网络模型，分别是YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，其中YOLOv5n是网络深度和宽度最小但检测速度最快的模型，其他4种模型都是在YOLOv5n的基础上

Yolov5s算法从训练到部署

文章目录 PyTorch GPU环境搭建查看显卡CUDA版本Anaconda安装PyTorch环境安装PyCharm中验证训练算法模型克隆Yolov5代码工程制作数据集划分训练集、验证集修改工程相关文件配置预训练权重文件配置数据文件配置模型文件配置超参数配置测试训练出来的算法模型量化转换算法模型pt转onnxonnx转rknn 部署到RK系列板子本文主要介绍的是使用PyTo

基于yolov5s的行人检测训练自己的数据集

[HIT] 基于yolov5s的行人检测 --徐涛本项目 github 地址环境配置： anaconda create --name yolo python=3.7 activate yolo cd yolov5 pip install -r requirements.txt 有warning不用担心，这是由于配置文件与中文编码冲突的原因。参考：【WARNING:Ignore d

AX620A运行yolov5s自训练模型全过程记录（windows）

AX620A运行yolov5s自训练模型全过程记录（windows）文章目录 AX620A运行yolov5s自训练模型全过程记录（windows）前言一、搭建模型转换环境（使用GPU加速）二、转换yolov5自训练模型三、板上测试前言上一篇文章《ubuntu22.04搭建AX620A官方例程开发环境》记录了AX620A开发环境的搭建，这段时间板子终于到手了，尝试了一下

深度解读SCI论文系列一：基于智能手机的新型异质双目视觉和YOLOv5s的现代果园中苹果树个体的表型研究

一.摘要 A. 科学问题表型分析在苹果树育种中起着重要作用。然而，现有的研究主要依赖于仪器，如LiDAR、RGB-D相机或搭载深度传感器的无人机（无人驾驶飞行器）等，这为用户增加了额外成本，也不太方便。 B. 对所使用方法的总结开发一种基于智能手机的新型异质双目视觉的新方法，以实现低成本的苹果树自动表型分析。选择一对多摄像头的智能手机，以获取异构双目相机。随后，开发一种虚拟焦点方法，从智能

基于轻量级yolov5s开发构建电动车违规进入电梯检测识别系统

电动车是大家非常非常熟悉的日常交通工具了，博主也是一位资深的电动车重度使用者，基本上日常生活里面的办事都会骑着电动车去，在城市小区里面生活，电梯也是大家必然不陌生的东西，电动车一直是被禁止驶入电梯的，网上各种事件可谓是层出不穷，另外电动车充电最好是选择小区工农的充电桩而不是放在家里充电，一不留神很容易酿成事故，这里主要的想法就是开发过构建这样一套系统，后期可以考虑接入电梯视频，实时计算，对于骑着电