yolox小目标检测改进（删除感受野大的特征图）
问题yolox中有3个检测分支，分别预测小、中、大的目标但在我的数据集上，并不需要预测大目标，甚至还要手动去掉错误的大预测框，因此有一个想法是去掉一个最深的检测分支，使网络预测大目标的能力下降，整体感受野变小，对小目标更加敏感。 方法修改yolox/models/yolo_head.py 123456789101112131415161718class YOLOXHead(nn
yolox添加注意力机制
原文链接 Coordinate Attention论文来源 官方代码 注意力机制广泛用于深度神经网络中来提高模型的性能。然而，因为其昂贵的计算代价，很难应用在一些轻量级网络，但不乏有一些注意力模块脱颖而出，具有代表性的有SE、CBAM等。SE模块通过2D全局池化来计算通道注意力，在非常低的计算成本下达到了提升网络性能的目的，遗憾的是，SE模块忽视了捕获位置信息的注意力；CBAM模块通过使用大尺寸卷
yolo主流版本介绍(v1-v7)
本文主要介绍目标检测yolo系列主流版本的发展。 目标检测评价指标IOU真实框和预测框之间的交并比。 精确度预测为正例的那些数据里预测正确的比例。 召回率真实为正例的那些数据里预测正确的比例。 AP不同的置信度阈值对应不同的检测结果，对应一组精确度和召回率，计算合成的面积 MAPMAP是不同类别的平均AP。 YOLOv1paper(CVPR2015) You only look once,one-
windows命令行cmd代理设置（结合v2rayn）
v2rayn代理端口socks5:127.0.0.1:10808 http:127.0.0.1:10809 cmd临时代理（对当前cmd生效）set http_proxy=http://127.0.0.1:10809 set https_proxy=http://127.0.0.1:10809 set http_proxy=socks5://127.0.0.1:10808 set https_
Yolox+Siamese孪生神经网络:图标点选验证码识别
问题描述图标点选验证码_点选验证码_验证码API_在线体验_网易易盾 (163.com) 网页场景 图片下载下来是这样的，底部会有几行小图标，第三行小图标是正确的顺序 这个问题的目标就是按顺序给出三个坐标点。 解决方案step1.使用yolox检测出所有图标的位置（不包含下面的三行图标）因为图标种类众多，没法直接用yolox进行图标详细分类，所以我训练的时候只分了两类，一类白的，一类黑的，虽然
paddleocr转pytorch推理
frotms/PaddleOCR2Pytorch: PaddleOCR inference in PyTorch. Converted from PaddleOCR 安装paddlepaddle==2.0.0 shapely numpy pillow pyclipper opencv-python <= 4.2.0.32 pytorch pyyaml scikit-image 中
用yolox预测结果自动生成voc数据集标签文件
问题已有少量（100张）数据集由手工标注，训练结果也不算差，但希望能够进一步提高准确率，需要扩充数据集样本，手工标注太累，因此利用已有训练权重进行预测，用预测结果自动生成xml格式的标注文件，当然也会存在预测错误的情况，自定义条件筛选正确，其余手工标注即可。 voc数据集的xml文件格式12345678910111213141516171819202122232425262728293031323
基于直方图分析的自适应阈值分割
问题描述分割出文字，去掉背景 方法画出直方图，用多项式曲线拟合。在斜率绝对值最大处左右两侧找极小值，对应横坐标作为分割的左右阈值。 对于背景复杂，前景颜色单一的图片，分割效果佳，其余情况可能不适合。 细节略
