用麒麟系统利用yolov5识别鼠标垫上的回形针

最新推荐文章于 2026-06-24 10:23:40 发布
原创 最新推荐文章于 2026-06-24 10:23:40 发布 · 1.1k 阅读 · 29
标签
#深度学习

素材：随机洒一些同类型的回形针，散落在黑色鼠标垫，尽量不要叠罗汉，以免识别不出，微信拍摄，尺寸450*800,然后发送。

目标：素材共计19张图片，12张train用以训练，7张var用以验证，最终得到一个.pt的可心文件。

设备：麒麟系统：8G内存，用时3h29分；mac mini4 16G内存 256G 32分钟跑完。

平台：pycharm

使用工具：yoloV5

任务一：给出训练语句

python3 train.py --img 600 --batch 16 --epochs 300 --data /media/unis/shitou/yolov5回家/doit/dataset.yaml --weights yolov5s.pt

//上述句子翻译：train.py和yolov5s.pt是yolov5中自个带的，img 600也是标配 ，关键是yaml文件，它的大致内容就是各个文件夹在哪，相当于向导。

准备工作（踩坑点）：顶层设计，搭建文件结构

训练图片文件夹 /media/unis/shitou/yolov5回家/dataset/images/images/train

验证图片文件夹 /media/unis/shitou/yolov5回家/dataset/images/images/val

dataset.yaml文件在/media/unis/shitou/yolov5回家/doit

最低0.47元/天 解锁文章
yolov5识别数据集
05-20
yolov5识别数据集
yolov5s_模型.zip
06-16
yolov5s_模型.zip
Yolo-Fastest：超超超快的开源ARM实时目标检测算法
3D视觉工坊
08-30 4599
作者丨qiuqiuqiu@知乎（已授权）来源 | https://zhuanlan.zhihu.com/p/234506503编辑 | AI约读社Github：https://githu...
用YOLOv5模型识别出表情！
Datawhale
08-31 2242
↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货作者：闫永强，算法工程师，Datawhale成员本文利用YOLOV...
三、 rk3588 麒麟系统 npu yolov5安装与运行教程
weixin_40974083的博客
07-01 2242
C++版本程序需下载rknpu2-master文件，网址为https://github.com/rockchip-linux/rknpu2，其中将cp librknnrt.so 复制到/usr/lib/。即：/usr/lib/librknnrt.so。其中rknn_lite2_yolov5.py 与 rknn_lite2_yolov5_test.py 进行测试。后续进行多帧图像处理，并配合激光雷达进行使用。内核为linux 5.10.160。
YOLOv5超详细的入门级教程（训练篇）（一）——训练自制数据集（识别鱼类）
热门推荐
“知识最大的敌人不是无知，而是错觉”
02-23 3万+
Pytorch-YOLOv5数据集标注数据集制作修改配置文件References 这两天一直致力于利用YOLOv3的Pytorch版本进行模型的训练，奈何他的版本更新的太快，找了半天的cfg配置文件发现在最新版本里已经升级了。于是不断在YOLOv3和YOLOv5之间辗转。 决定从最简单的东西入手，一步一步来理解模型是怎样训练出来的，并且如何达到满意的效果。 数据集标注 选择了一个检测鱼类的数据集，想要尝试自己去制作一个数据集。 网站链接：Labeled Fishes in the Wild 选择
YOLOv5模型文件
m0_37844017的博客
08-12 4214
之前跑YOLOv5, 下载来的权重文件，分享给大家！ 百度网盘提取链接： 链接：https://pan.baidu.com/s/1LAqYJtWt0u-o4QrilSfSZQ 提取码：wrmx 天翼云盘提取链接： https://cloud.189.cn/t/quieIrVJrqMv（访问码：0uby） ...
【快速入门】YOLOv5目标检测算法
不积跬步，无以至千里！
03-01 3万+
简单快速入门YOLOv5秘籍！
学习长短期记忆网络lstm
qq_52122048的博客
06-17 471
Ct可能是-2到2之间，所以后面再来一个tanh缩小范围-1到1之间。
深度学习知识点
06-23 248
但一个“全连接网络”如果不包含隐藏层（比如只有输入直接映射到输出的单层感知机），或者结构上不满足多层非线性变换的条件，那它。这 m 个数据必须要有 m 个输入神经元来“接住”它们，然后分别通过 m 条独立的连接线（权重），传递给下一层（第一个隐藏层）的每一个神经元。假设你的数据集是一个表格，有 m 列（比如：年龄、工资、身高），那么你的输入特征维度就是 m。这种层与层之间的“两两相连”就是“全连接”名称的由来。3.多层感知机的第一层的神经元的数目等于输入特征向量的维度。1.全连接网络是指神经网络中的。
#从零到一搭建微博情感分类系统：基于BiLSTM的PyTorch完整实战教程【3W字保姆级详解】
最新发布
2401_88566519的博客
06-24 295
项目使用的是0 → 喜悦1 → 愤怒2 → 厌恶3 → 低落每条数据由两部分组成：第一列为标签（0-3的数字），第二列为微博文本内容。数据集为字符级处理，无需分词，直接按汉字拆分即可。为什么使用字符级而非词语级？对于中文短文本（如微博），字符级处理可以规避分词错误带来的误差，且词表规模更小，模型训练更快，非常适合入门级情感分类任务。函数定义与文档字符串函数接收三个参数：语料文件路径、词表最大尺寸、最低词频。文档字符串清晰说明了函数功能和参数含义，这是工程化代码的好习惯。
Python全栈项目--基于深度学习的自动驾驶模拟系统
exlink2012的专栏
06-17 772
本文介绍了一个基于深度学习的自动驾驶模拟系统全栈项目，包含以下核心内容： 系统架构：采用前后端分离设计，Python+FastAPI处理后端逻辑和深度学习模拟，Vue3构建前端交互界面。 功能模块： 用户认证（JWT+bcrypt加密） 场景配置（道路类型/天气/交通密度） 自动驾驶模拟（车道线识别/障碍物检测/碰撞风险评估） 数据看板展示 技术特点： 轻量级SQLite数据库存储 完整的认证流程实现 可扩展的深度学习模拟框架 响应式前端界面 学习价值：项目提供了完整的开发流程和可运行源码，适合作为深度学习
LSTM预判+速度门控双保险自愈
2301_77211362的博客
06-21 242
模块功能LSTM 预判预警分析历史通量/应力序列，预测未来失稳风险（如裂纹萌生）Speed-Gated 自愈实时监测通量变化率（速度），当超过阈值时自动增强修复强度双重触发机制满足任一条件（预判高风险 或 实际失稳）即启动自愈动态调节自愈强度随风险等级与速度同步变化。
Intelligent Tomato Ripeness Detection System Based on YOLOv8 Deep Learning
ZSW1218的博客
06-21 195
Abstract: With the intelligent development of modern agriculture, traditional manual tomato ripeness detection methods suffer from low efficiency, strong subjectivity, and high labor costs. To improve the accuracy and efficiency of tomato ripeness detectio
深度学习稀疏编码与 PCA 的流形解释 —— 线性因子模型收官（八十一）
hello.reader
06-21 191
本文总结了线性因子模型的两个重要主题：稀疏编码和PCA的流形解释。稀疏编码通过L1范数约束实现因子稀疏性，其编码器是非参数的优化过程，虽能获得更优重构但计算效率较低。PCA可视为学习数据所在的低维线性流形（"薄饼"几何），通过保留方差最大的主成分实现降维，并可从线性自编码器角度理解其编码-解码过程。这些线性模型为后续自编码器等深度表示学习模型奠定了基础，同时也揭示了线性方法的局限性，如稀疏编码生成样本质量不佳的问题。文章通过几何动画和对比表格直观展示了关键概念的技术原理与优劣。
吴恩达《深度学习》之看懂注意力机制的“精准一瞥”
m0_74435839的博客
06-24 255
多头注意力机制。语言是极其复杂的。当我们看到一句话里的某个词时，我们往往需要同时关注很多不同的维度。比如看这句话：“那只巨大的猫懒洋洋地躺在垫子上，它刚刚吃了鱼。当我们盯着“猫”我们的左眼可能需要关注它的修饰语（什么猫？——巨大的猫）；我们的右眼可能需要追踪它的代词指代（谁吃了鱼？——“它”指的是猫）。如果我们只有“一双眼睛”（单头注意力机制），网络在同一时间只能计算出一组α\alphaα。它如果去看了“巨大的”，就没办法同时去死死盯着“它”。
深度学习自编码器基础与欠完备自编码器 —— 复制的艺术（八十二）
hello.reader
06-21 403
自编码器不需要标签（用数据自身作监督信号，目标是重构 x），产出有用表示 h，能利用无标注的海量数据。非线性自编码器能找弯曲的流形（曲面），是 PCA 的强大推广，能捕捉更复杂的数据结构。上图展示自编码器的两个组件：编码器 f（x→h）和解码器 g（h→r），目标是 r 近似 x。上图展示欠完备自编码器的沙漏结构：编码维度（瓶颈，如 2 维）小于输入维度（如 8 维）。也有更具生物学意义的**再循环（recirculation）**算法（比较原始输入与重构输入的激活），但很少用于实际。
理解RNN：Learning long-term dependencies with gradient descent is difficult
weixin_45209433的博客
06-24 208
为什么说记住了h1，因为即使到后面100个时刻，a100仍然大于0，说明输入h1>0，a100>0，当然h1<0，a100<0，这个可以自行计算，这就是过去的信息仍然存在于当前状态。之后如果没有输入，RNN持续输出0.957左右，根据上的计算可可以知道，隐藏值a一直在1.9左右，处于tanh的饱和区，所以输出经过tanh后，输出在0.957左右。这是只有1个神经元的RNN，我们通过举例子，来说明下RNN的内部具体是怎么操作的，以及其特点，假设w =2, a0 = 0，给予的输入是正值。
深度学习自编码器的概率视角与流形学习 —— 编码器即分布（八十四）
hello.reader
06-21 114
上图总结自编码器的概率视角三层次：确定函数（h=f(x), r=g(h)，传统自编码器）→ 概率分布（p(h|x), p(x|h)，随机自编码器）→ 生成模型（近似后验+似然+先验，VAE）。上图展示流形的经典例子：把一张 MNIST 图像垂直平移，所有平移版本在 784 维空间中构成一条 1 维流形（弯曲路径），平移量就是沿流形的坐标。把编码器/解码器从函数推广为分布，再加上对隐变量先验的建模和变分下界，就得到了 VAE——一个真正的深度生成模型。前两篇讲了自编码器的结构（82）和正则化（83）。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小石头666

你最棒了么么哒

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值