HBB：horizontal Bounding Boxes 水平边界框 OBB：oriented Bounding Boxes 带方向的（倾斜）边界框 1 introduction &

这两天在看YOLOv1的代码，看到这边博客给了代码 传送门：动手学习深度学习pytorch版——从零开始实现YOLOv1 其中有个地方需要用到cv2.rectangle（）函数来给图像

1、图像金字塔 将图片进行不同尺度的缩放，得到图像金字塔，然后对每层图片提取不同尺度的特征，得到特征图。一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐步降低，且来源于同一张原始图的图

前言 首先感谢無證騎士博主的大力支持，本文的也是根据他的文章魔改。 因项目需求，在TX2上部署yolov5算法实时检测目标。之前在ubantu上做过yolov5的图片检测，实时检测与之类似&#xff

目标检测发展很快，但对于小目标 的检测还是有一定的瓶颈，特别是大分辨率图像小目标检测 。比如79202160，甚至1600016000的图像，还有一些遥感图像 。 图像的分辨率很大&#xf

经过检测模型以后，得到了所有图片的预测框，对于某一个图片，某个类，计算预测框和真实框之间的IOU值，并得到每一个预测框最大的IOU值和对应的真实框 这个要遍历每个图片每个类

软硬件版本 ubuntu 18.04 Jetson Nano 4G JP 4.5.1 CUDA 10.2 TensorRT 7.1.3.0 python 3.6 前言 把自己训练好的yolov5s.pt转为tensorrt模型是为了实现

都是自己一个一个摔过来的坑 1.ValueError: zero-size array to reduction operation maximum which has no identity 解决方案： label问题&#xf

背景 通过摄像头拍摄的图片检测盲道中出现的障碍物，可以快速有效的清理障碍物，防止意外事件的发生 实现方法 算法：采用yolov5算法进行目标检测 数据集：共14256张图片, 134

前言兜兜转转试了好多框架与算法，从软件再到代码，中途有许多问题，从 ArcGIS Pro 再到 Tensorflow 的 Mask-RCNN，再到 Detectron2 。 目标检测与目标