1.目标检测（矩形框）：

①常用模型YOLO5：

1°入门使用，具体见这篇博客

YOLOv5训练自己的数据集（超详细完整版）_深度学习菜鸟的博客-CSDN博客_yolov5训练自己的数据

（补充说明：其中的数据一开始是VOC格式自定义数据集，因此建议直接使用labelImg来标注自己的数据，导出直接是VOC格式）

训练技巧与优化：

Tips for Best Training Results 📌 - YOLOv5 Documentation

2°训练结束后看训练结果，看这些博客：

yolov5 训练结果解析_sinat_37322535的博客-CSDN博客_yolov5训练结果分析

目标检测中的mAP是什么含义？ - 知乎

3°YOLO5代码解读与原理

Yolov5总结文档(理论、代码、实验结果)

深入浅出Yolo系列之Yolov5核心基础知识完整讲解_江南研习社-CSDN博客_yolov5

②常用框架：mmdetection

mmdetection/README_zh-CN.md at master · open-mmlab/mmdetection · GitHub

其中，

1°安装（可以参考里面的“从零开始设置脚本”那一节）：https://github.com/open-mmlab/mmdetection/blob/master/docs/zh_cn/get_started.md

2°自定义数据集看这篇：

mmdetection/2_new_data_model.md at master · open-mmlab/mmdetection · GitHub

其中，建议使用COCO格式的自定义数据集，因此我们可以使用labelme工具标记数据（矩形框），然后可以参考这篇：

​​​​​​目标检测前奏：labelme的矩形框标记好数据以后，转成COCO格式_starDu-CSDN博客_labelme转coco 目标检测

③常用框架：百度飞浆paddlepaddle

Paddle/README_cn.md at develop · PaddlePaddle/Paddle · GitHub

https://github.com/PaddlePaddle/awesome-DeepLearning  （工业项目案例，建议以此作为入门实战，例如目标检测的话可以学习里面的头盔检测，包括优化模型思路）

④YoloX模型：

“白话”目标检测系列：YOLO X

【深度学习】解决YOLOX训练时AP为0_MangoloD的博客-CSDN博客_扫描到的ap数目为0

2.目标分割（多边形框）：

①常用框架mmdetection

mmdetection/README_zh-CN.md at master · open-mmlab/mmdetection · GitHub

其中，自定义数据集看这篇：

mmdetection/2_new_data_model.md at master · open-mmlab/mmdetection · GitHub

建议使用COCO格式的自定义数据集，因此我们可以使用labelme工具标记数据（多边形框），可以参考这篇来制作COCO数据集（多边形）：

labelme标注格式转coco格式_1037号森林里一段干木头的博客-CSDN博客

（备注：转化建议在linux下可成功运行，windows下运行可能会报错）

②常用框架：百度飞浆paddlepaddle

Paddle/README_cn.md at develop · PaddlePaddle/Paddle · GitHub

https://github.com/PaddlePaddle/awesome-DeepLearning  （工业项目案例，建议以此作为入门实战，目标分割的话例如里面的钢材缺陷检测）

3.推理异步（并行）加速：

①框架mmdetection是直接带有并行推理的例子的；

②其他的话（yolo系列，paddlepaddle等）可以官网教程看看是否支持，假如需要自己写的话，也可以学习以下常用模式：python的并发例子+flask等web框架提供算法post端口+docker封装

Python3 多线程 | 菜鸟教程

使用Web框架 - 廖雪峰的官方网站

4.把以上算法的推理做成应用

①例如集成到C/S架构单机版的时候，做界面的常用方法有：C#的话有自带图形界面控件；c++的话有MFC、C++版本的QT；python的话可以选择PyQT(【第五节】PyQt5事件和信号-PyQt5中文教程)

②B/S架构

版权声明：本文为CSDN博主「starRunner」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/baidu_26408419/article/details/122239607