前面我们在yolov5添加了小目标检测层，进行了训练，但是训练的次数也不是很多，接下来我们使用tensorrt进行四个检测头的yolov5部署。具体如何添加小目标检测层可以查看我上一篇文章。
接下来根据模型结构图使用TensorRT C++ API进行网络模型搭建。
这里主要是上采样过程。详细过程主要参考王鑫宇大佬的trtx的代码，
版权声明：本文为CSDN博主「Mr曲末寒」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/zhangdaoliang1/article/details/122885689
前面我们介绍了旋转目标检测以及如何使用opencv去部署，整体效果不错，但是发现一点就是速度太慢了，所以我们使用TensorRT来部署旋转目标检测算法。感兴趣的同学可以看我之前的关于opencv部署的博客。 https://blog.csdn
双阶段（候选框提取、分类分开进行） RCNN->Fast RCNN ->Faster RCNN->Mask-RCNN 单阶段 yolov1（2016cvpr）->ssd(2016 ecc
根据上一篇《从0开始实现目标检测——原理篇》的讲述，我们选择了YOLOv3作为模型，那么本篇文章将继续接着上篇的内容，自己动手基于YOLOv3实现模型训练和mAP的计算。 在自己动手的这个过程中
YOLO-V3-SPP 继前两篇简单的YOLO博文 YOLO-V1 论文理解《You Only Look Once: Unified, Real-Time Object Detection》YOLO-V2论文理解《YOLO9000: Bet
https://blog.csdn.net/zhangdaoliang1/article/details/122881284
暂无评论