公司内部网站建设的意义,提供网站建设的理由,建站公司最新价格,中国最好室内设计公司排名榜#x1f368; 本文为#x1f517;365天深度学习训练营 中的学习记录博客Y1中的内容 #x1f356; 原作者#xff1a;K同学啊 | 接辅导、项目定制 ** 注意该训练营出现故意不退押金#xff0c;恶意揣测偷懒用假的结果冒充真实打卡记录#xff0c;在提出能够拿到视频录像… 本文为365天深度学习训练营 中的学习记录博客Y1中的内容 原作者K同学啊 | 接辅导、项目定制 ** 注意该训练营出现故意不退押金恶意揣测偷懒用假的结果冒充真实打卡记录在提出能够拿到视频录像证据后仍然拉黑删除处理不沟通并且学习资源也不对我开放。但是我有提前学习预习的习惯学习资料有正常保存。目前据打卡结束还有两周本篇为第12个月的第2篇学习按照规则还差一周就能拿到押金退还会照常打卡打卡结束后如果仍旧没有拿到押金将会继续通过一切法律手段维护作为消费者的合法权益。有相同经历者请与我联系。** 目录 0.总结1. 配置环境2. 运行代码3. 视频检测 0.总结
YOLOYou Only Look Once是一种非常流行的目标检测算法用于从图像或视频中实时识别物体。与传统的目标检测方法不同YOLO将目标检测任务转化为回归问题在一个单独的神经网络中同时完成物体的定位和分类。因此YOLO的主要特点是高效、实时并且能够处理复杂的场景。
YOLO的工作流程如下
图像分割将输入图像分为多个网格。边界框预测每个网格预测一定数量的边界框每个边界框包含物体的坐标、宽高以及该物体的类别概率。目标分类与置信度每个边界框会给出一个目标类别的概率以及置信度分数用来判断该框是否包含目标。
YOLO的版本更新迭代很快最新的版本如YOLOv5、YOLOv7等对精度和速度进行了优化并且提供了很多实际应用中可以直接使用的预训练模型。
对于初学者以下是一些学习YOLO的步骤
基础知识学习一些基础的计算机视觉知识如图像处理、卷积神经网络CNN等。学习深度学习框架YOLO是基于深度学习的掌握一些深度学习框架如TensorFlow、PyTorch对于理解和使用YOLO非常重要。阅读YOLO的论文YOLO的创始人Joseph Redmon发布了YOLO的多篇论文阅读这些论文可以帮助你更深入理解YOLO的工作原理。动手实践使用现有的YOLO模型进行实验选择一些目标检测任务进行训练和优化。可以尝试使用开源的YOLO实现如YOLOv5它有详细的文档和示例适合初学者。调优和优化在训练过程中尝试调节模型参数、使用不同的数据集以及进行模型评估和性能优化。
yolov5官方网站https://github.com/ultralytics/yolov5
重要建议 如果你正在使用YOLOv5或YOLOv7Python 3.7到3.10的版本是最为推荐的。 在安装相关依赖时可以创建一个虚拟环境并确保Python版本与你的YOLO版本兼容这样可以避免库冲突。
1. 配置环境
打开官网后下载代码
新建一个jupyter notebook 的虚拟环境用来专门运行yolo,关于建立虚拟环境请看我的这篇博客使用Anaconda Prompt 创建虚拟环境总结
建立好环境后找到刚下载的代码文件中的requirments.txt文件 运行 pip install -r requirments.txt 注意文件要和代码保持在一个文件夹里或者直接指定具体路劲如下 pip install -r D:\DataAnalysis\jupyter_notebook_warehouse\pytorch学习\yolov5-master\requirements.txt 等待环境配置好 2. 运行代码
运行代码注意文件路径换成自己的python D:\DataAnalysis\jupyter_notebook_warehouse\pytorch学习\yolov5-master\detect.py --source D:\DataAnalysis\jupyter_notebook_warehouse\pytorch学习\yolov5-master\data\images\bus.jpg --weights yolov5s.pt --img 640
注意我这里执行了 cd /d D: ,路径涉及到跨不同的驱动器C盘和D盘可能会抛出错误
运行成功后会有上述结果根据路径查看对应图片 3. 视频检测
方法一样切换对应路径即可
python D:\DataAnalysis\jupyter_notebook_warehouse\pytorch学习\yolov5-master\detect.py --source D:\DataAnalysis\jupyter_notebook_warehouse\pytorch学习\data\crossfire2024-03-11.mp4 同样在图片上的文件夹里找到对应处理结果有待改进的一点是检测似乎只用到了CPU 可以看到对游戏视频录像里的人物识别并不那么准确最好实际场景的视频做检测
