pytorch

1.网络模型和数据 SSD网络，图片大小（w,h)(480, 640) SSD检测结果 2.cuda加速 处理一张图片的时间 [ 0 ] 695.201 ms. [ 1 ] 42.9589 ms. [ 2 ]

problem 在自己的数据（voc格式）上训练Faster RCNN（https://github.com/jwyang/faster-rcnn.pytorch）就出现了lossnan

学了蛮久的目标检测了，但是有好多细节总是忘或者模棱两可，感觉有必要写博客记录一下学习笔记和一些心得，既可以加深印象又可以方便他人。博客内容集成自各大学习资源，所以图片也就不加水印了&#xf

一、yolov5源码测试 1、源码下载（v4.0版本） 官方地址：https://github.com/ultralytics/yolov5 2、模型下载 官方链接：https:/

NMS-Loss是如何解决目标检测中的遮挡问题 让检测告别遮挡 | NMS-Loss是如何解决目标检测中的遮挡问题的？ - 知乎 Repulsion Loss: Detecting Pedestrians in a Crowd Repuls

目录 文章核心： 1.效果图及视频展示 2.背景 3.安装PaddlePaddle 4.预训练模型的下载 比如yolov3在coco和voc数据集上的预训练模型和权重列表如下： 5.模型导出&#xff0

车道线检测实现Ultra-Fast-Lane-Detection 原始仓库代码使用resnet系列作为骨干网络，网络输入分辨率为288*800，在板卡上运行7-8FPS，有点低，个人对原

pytorch做自己的目标检测模型 先放上代码的百度云链接： 链接：https://pan.baidu.com/s/1ms12_2aUvm5M9hjofP8UHA 提取码：8xpf 第一章&#xff

效果视频：https://www.bilibili.com/video/BV15h411D7Kx/ 失误较多的原因：1、遮挡，多人一起进门导致遮挡，没标记到。2、进门的人进去后消失后自己

1. 损失的特殊性 先说说YOLOV5的损失：一般检测的损失分为分类损失和回归损失。 一般的检测算法： 回归损失只有正样本有分类损失的标签直接就非1即0，正样本的标签是1，负样本的标签