qianxun

并且，提供了一种设计范式， Slim-Neck ，以实现检测器更高的计算成本效益。在实验中，与原始网络相比，本文方法获得了最先进的结果（例如， SODA10M 在 Tesla T4 上以 ~100FPS 的速度获得了 70.9% mAP0.5）。类脑研究的直观理解是，神经元越多的模型获得的非线性表达能力越强。两阶段检测器在检测小物体方面表现更好，通过稀疏检测的原理可以获得更高的平均精度（mAP），但这些检测器都是以速度为代价的。真的快要卷秃噜皮了！在本人的数据集上有效涨点，但不是很多，大约1个点左右！

目前在目标检测方面有着众多的检测框架，比如两阶段的FasterRcnn、以及yolo系列的众多模型。yolo系列在实际中用的最多，一方面性能确实不错，另一方面具有着较多的改进型系列。今天我们主要使用的yolov5系列。先看下单幅切图检测的效果：(这里我并没有写py版本的切图合并最后nms的代码，我直接用c++写的)整体代码等我整理完成考虑上传(毕竟白嫖不讲武德的人太多)。看下C++的效果：可以看到原图的尺寸是6158*3414的大小。训练结果：不要在意map这些细节我们先打通步骤，熟悉流程。

特征上采样是许多现代卷积网络架构（例如特征金字塔）中的关键操作。其设计对于密集预测任务（如对象检测和语义/实例分割）至关重要。在这项工作中，我们提出了FEatures的内容感知重新组装（CARAFE），这是一个通用、轻量级和高效的运营商来实现这一目标。CARAFE有几个吸引人的特性：（1）大视场。与以往仅利用亚像素邻域的工作（如双线性插值）不同，CARAFE可以在大的接受域内聚集上下文信息。（2） 内容感知处理。

上一篇我们写到了自己手动搭建ShufflenetV2网络进行了图像分类训练，对猫狗进行分类，现在我们是用TensorRT API进行部署。前面我们介绍了基于手写AlexNet以及ResNet18网络得图像分类模型得训练以及相应得TensorRT部署，但是有时候我们想使用其他的主干模型，所以这次采用了Shufflenet作为主干网络进行图像分类的训练。TensorRT+图像分类：手动搭建AlexNet得图像分类---训练_zhangdaoliang1的博客-CSDN博客。

前面我们介绍了基于手写AlexNet以及ResNet18网络得图像分类模型得训练以及相应得TensorRT部署，但是有时候我们想使用其他的主干模型，所以这次采用了Shufflenet作为主干网络进行图像分类的训练。TensorRT+图像分类：手动搭建AlexNet得图像分类---训练_zhangdaoliang1的博客-CSDN博客TensorRT+图像分类：手动搭建AlexNet得图像分类---部署_汤姆&的博客-CSDN博客。

视觉特征金字塔在广泛的应用中显示出其有效性和效率的优越性。然而，现有的方法过分地集中于层间特征交互，而忽略了层内特征规则，这是经验证明是有益的。尽管一些方法试图借助注意机制或视觉变换器学习紧凑的层内特征表示，但它们忽略了对密集预测任务很重要的被忽略的角点区域。为了解决这一问题，本文提出了一种基于全局显式集中式特征规则的集中式特征金字塔（CFP）对象检测方法。

目标检测是计算机视觉中一项艰巨的下游任务。对于车载边缘计算平台，大模型很难达到实时检测的要求。而且，由大量深度可分离卷积层构建的轻量级模型无法达到足够的准确性。因此本文引入了一种新方法 GSConv 来减轻模型的复杂度并保持准确性。GSConv 可以更好地平衡模型的准确性和速度。并且，提供了一种设计范式， Slim-Neck ，以实现检测器更高的计算成本效益。

在实验中，与原始网络相比，本文方法获得了最先进的结果（例如， SODA10M 在 Tesla T4 上以 ~100FPS 的速度获得了 70.9% mAP0.5）。两阶段检测器在检测小物体方面表现更好，通过稀疏检测的原理可以获得更高的平均精度（mAP），但这些检测器都是以速度为代价的。单阶段检测器在小物体的检测和定位方面不如两阶段检测器有效，但在工作上比后者更快，这对工业来说非常重要。但是如果在模型的所有阶段都使用它，模型的网络层会更深，深层会加剧对数据流的阻力，显著增加推理时间。因此，更好的选择是仅在。

在实验中，与原始网络相比，本文方法获得了最先进的结果（例如， SODA10M 在 Tesla T4 上以 ~100FPS 的速度获得了 70.9% mAP0.5）。类脑研究的直观理解是，神经元越多的模型获得的非线性表达能力越强。无法通过简单地无休止地增加模型参数的数量来构建强大的模型。两阶段检测器在检测小物体方面表现更好，通过稀疏检测的原理可以获得更高的平均精度（mAP），但这些检测器都是以速度为代价的。单阶段检测器在小物体的检测和定位方面不如两阶段检测器有效，但在工作上比后者更快，这对工业来说非常重要。

在实验中，与原始网络相比，本文方法获得了最先进的结果（例如， SODA10M 在 Tesla T4 上以 ~100FPS 的速度获得了 70.9% mAP0.5）。类脑研究的直观理解是，神经元越多的模型获得的非线性表达能力越强。两阶段检测器在检测小物体方面表现更好，通过稀疏检测的原理可以获得更高的平均精度（mAP），但这些检测器都是以速度为代价的。下面得这副图片算是比较好的了，，用过传统算法去检测效果不是很好，主要是光没有打均匀，做一些图像增强的时候总是会出问题。接下来，我们对得到得模型使用trt部署。

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。yolov5出来已经很长时间了，所以有关yolov5的一些详细介绍在这里就不一一介绍了，模型结构大家可以查看我之前画的yolov5-5和yolov6-6的模型结构图。TensorRT+yolov5:yolov5添加小目标检测层2--TensorRT部署_曲末寒的博客-CSDN博客_yolov5加检测头。大家可以看看我之前的添加小目标层的文章。......

yolov5出来已经很长时间了，所以有关yolov5的一些详细介绍在这里就不一一介绍了，模型结构大家可以查看我之前画的yolov5-5和yolov6-6的模型结构图。TensorRT+yolov5:yolov5添加小目标检测层2--TensorRT部署_曲末寒的博客-CSDN博客_yolov5加检测头。可以看到整体的map@0.5是在0.501，，，说实话并不是特别高，，，回头我们重新计算下测试集的Map..后续会进行TensorRT部署，，，既然有那么一点效果当然得部署用起来呀。接下来我们开始训练代码。.

前面我们介绍了多种模型的部署，有基于ONNX的也有基于API搭建的部署，有兴趣的小伙伴可以看看前面介绍的几种部署。YoloV6的TRT部署：YoloV6+TensorRT+ONNX:基于WIN10+TensorRT8+YoloV6+ONNX的部署_Mr曲末寒的博客-CSDN博客_yolov6https://blog.csdn.net/zhangdaoliang1/article/details/125483815?spm=1001.2014.3001.5501旋转目标检测的部署:yolov5-6.0部署：基

上周就听说v6出来了，心想特么的不会和v7一样吧，看了具体是美团推出的，具体大家自己看看吧YOLOv6 是美团视觉智能部研发的一款目标检测框架，致力于工业应用。本框架同时专注于检测的精度和推理效率，在工业界常用的尺寸模型中：YOLOv6-nano 在 COCO 上精度可达 35.0% AP，在 T4 上推理速度可达 1242 FPS；YOLOv6-s 在 COCO 上精度可达 43.1% AP，在 T4 上推理速度可达 520 FPS。在部署方面，YOLOv6 支持 GPU（TensorRT）、CPU（OP

对于genjuV5-Face一直都想把它给用起来。而且后续得项目中也有可能会用到它所以暂时先用起来。近年来，CNN在人脸检测方面已经得到广泛的应用。但是许多人脸检测器都是需要使用特别设计的人脸检测器来进行人脸的检测，而YOLOv5的作者则是把人脸检测作为一个一般的目标检测任务来看待的。YOLOv5Face在YOLOv5的基础上添加了一个 5-Point Landmark Regression Head（关键点回归），并对Landmark Regression Head使用了Wing loss进行约束。YOL

前面我们也写了基于TensorRT+yolov5得相关教程，但是都是基于自己使用C++API搭建网络结构，同时这个其实也是参考别人项目进行修改的，所以我打算从最简单得开始，从onnx到trt到模型检测，进行编写。yolov5-6.0部署：基于旋转目标的yolov5部署---TensorRT部署_Mr曲末寒的博客-CSDN博客_yolov5旋转目标https://blog.csdn.net/zhangdaoliang1/article/details/123045447我们先一步一步来，1

目录1、模型训练2、导出ONNX模型3、ONNX转换为trtModel4、加载trtModel文件进行推理5、推理结果面我们写到了如何使用训练一个分类模型、如何基于训练的分类模型进行tensorrt的网络模型搭建然后进行推理，但是这样导致 我们要去手写网络模型，这样一方面难度比较大，现在更多的是转换为onnx模型进行推理，所以这里面我们使用onnx进行trt的加速推理。大家可以参考我之前的一些博客：TensorRT+图像分类：手动搭建AlexNet得图像分类---训练_M

之前在写CUDA程序，TRT程序大多是基于VS上，比如之前写的很多程序都是基于vs2019,在windows上大家可以很快乐的在vs上进行配置，还可以快乐的使用界面，但是在linux上没有vs了，可以使用cmake去编译一些，但是对于有些同学可能不太适应，linux上用到最多的可能就是Qt了，毕竟跨平台。那么接下来我们讲解如何在QT里面如何使用CUDA+TensorRT+OpenCV。目录1、环境配置2、ResNet18图像分类2.1、数据准备2.2、模型搭建2.3、训练3、..

YoloV3所使用的主干特征提取网络为Darknet53，它具有两个重要特点：1、Darknet53具有一个重要特点是使用了残差网络Residual，Darknet53中的残差卷积就是首先进行一次卷积核大小为3X3、步长为2的卷积，该卷积会压缩输入进来的特征层的宽和高，此时我们可以获得一个特征层，我们将该特征层命名为layer。之后我们再对该特征层进行一次1X1的卷积和一次3X3的卷积，并把这个结果加上layer，此时我们便构成了残差结构。通过不断的1X1卷积和3X3卷积以及残差边的叠加，我们便大幅度的

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.net/zhangdaoliang1/article/details/123028071https://blog.csdn.net/zhangdaoliang1/article/details/123028071目录1、项目介绍2、环境配置3、导

yolov5的改进有很多，比如小目标检测，其中添加了检测头、tph-yolov5的小目标检测等等，也有大神做了旋转目标检测的yolov5，下面是基于旋转目标检测的网址：YOLOv5在无人机/遥感场景下做旋转目标检测时进行的适应性改建详解（踩坑记录） - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/358441134作者是基于遥感数据集做的yolov5的旋转目标检测，他的github网址：hukaixuan19970627/yolov5_obb: yolov5

上一篇我们写到了自己手动搭建ResNet18网络进行了图像分类训练，对猫狗进行分类，现在我们是用TensorRT API进行部署。目录1、ResNet18介绍2、TensorRT2.1 权重获取2.2 ResNet.cpp3.结果1、ResNet18介绍ResNet是一种基于跳跃连接的深度残差网络算法。根据该算法提出了18层、34层、50层、101层、152层的ResNet-18、ResNet-34、ResNet-50、ResNet-101和、ResNet-152等模型，..

前面我们介绍了基于手写AlexNet网络得图像分类模型得训练以及相应得TensorRT部署，但是有时候自己搭建网络可能使我们更加深入得理解网络但是训练太慢，所以更多的时候我们采用的是预训练模型。TensorRT+图像分类：手动搭建AlexNet得图像分类---训练_zhangdaoliang1的博客-CSDN博客https://blog.csdn.net/zhangdaoliang1/article/details/122982620TensorRT+图像分类：手动搭建AlexNet得图像分类---部署

上一篇我们写到了自己手动搭建AlexNet网络进行了图像分类训练，对五种花朵进行分类，现在我们是用TensorRT API进行部署。目录2、TensorRT2.1 权重获取2.2 AlexNet.cpp3、结果1、AlexNet介绍AlexNet网络结构：该模型一共分为8层，如下图所示，包括5个卷积层和3个全连接层，每个卷积层都包含激活函数ReLU、池化和LRN处理。2、TensorRT主要工作大家可以参考王鑫宇得代码，王新宇的代码没有写具体得图像分类，主

Tensor是一个有助于在NVIDIA图形处理单元（GPU）上高性能推理c++库。它旨在与TesnsorFlow、Caffe、Pytorch以及MXNet等训练框架以互补的方式进行工作，专门致力于在GPU上快速有效地进行网络推理。如今现有的一些训练框架（例如TensorFlow）已经集成了TensorRT，因此可以将其用于加速框架中的推理。另外，TensorRT可以作为用户应用程序中的库，它包括用于从Caffe，ONNX或TensorFlow导入现有模型的解析器，以及用于以编程方式（C++或Python

前面我们写了yolov5添加了小目标检测层，并完成了tensorrt部署，现在我们使用opencv进行部署。TensorRT+yolov5:yolov5添加小目标检测层_zhangdaoliang1的博客-CSDN博客https://blog.csdn.net/zhangdaoliang1/article/details/122881284?spm=1001.2014.3001.5502模型结构图：代码：yolo.cpp#include"yolo.h";using namespa

前面我们写了如何添加小目标层以及如何在TensorRT进行网络搭建部署以及检测，感兴趣得同学可以查看前两篇TensorRT+yolov5:yolov5添加小目标检测层2_zhangdaoliang1的博客-CSDN博客https://blog.csdn.net/zhangdaoliang1/article/details/122885689?spm=1001.2014.3001.5502TensorRT+yolov5:yolov5添加小目标检测层_zhangdaoliang1的博客-CSDN博客http

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。TensorRT+yolov5:yolov5添加小目标检测层_zhangdaoliang1的博客-CSDN博客https://blog.csdn.net/zhangdaoliang1/article/details/122881284...

yolov5出来已经很长时间了，所以有关yolov5的一些详细介绍在这里就不一一介绍了，模型结构大家可以查看我之前画的yolov5-5和yolov6-6的模型结构图。yolov5s-6.0网络模型结构图_zhangdaoliang1的博客-CSDN博客https://blog.csdn.net/zhangdaoliang1/article/details/122840458?spm=1001.2014.3001.5501yolov5s-5.0网络模型结构图_zhangdaoliang1的博客-CSDN博