深度学习

本文将检测变为一个regression problem（回归问题），YOLO 从输入的图像，仅仅经过一个神经网络，直接得到一些bounding box以及每个bounding box所属类别的概率。

归纳偏置 利用一些假设对模型做一定的约束，比如CNN中假设数据的特征具有局部空间性，可以用滑动卷积共享权重的方式来提取图像特征。这些假设有助于他在小规模数据集上就能训练出不错的效果。而ViT则缺乏CN

1. 注意力机制 不随意线索和随意线索。 2. 注意力分数 3. 自注意力 4. transformer

1. 添加步骤 1.1 models/common.py 加入新增的网络结构 1.2 在models/yolo.py注册组件 1.3 models/yolov5_xxx.yaml 新建一个文件夹，修改

train/box_loss： train/obj_loss： train/cls_loss： metric/precison：准确率（找对的/找到的） metrics/recall：召回率（找对的/

配置服务器环境 ~/.ssh/config 根据平台提供的信息，提前写好~/.ssh/config文件 配置vim，tmux 安装vim、tmux 上传本地的vim和tmux配置文件 上传项目代码 安

准备自己的数据集 Fruit26数据集 创建Fruit25文件夹，用于一会儿保存划分好的训练集、测试集和验证集 split.py 通过split.py来将标注好的图片划分为训练集、测试集和验证集 编写

data 存放一些超参数的配置文件，如.yaml文件。yolov5有大约30个超参数用于各种训练设置，更好的初始猜测会产生更好的最终结果。 hyps文件夹：存放超参数配置文件 hyps.scratch

临时用到的，后面有空再补充完整 使用清华源安装tensorflow 如过提示查不到指定的版本，应该会提示你有啥版本能用，直接用他提示的版本就好

YOLOv8可以完成检测、分类、分割任务 1. yolov8网络结构 YOLOv8 2. 基础组件 2.1 C2f C（Cross Stage Partial） ：继承了 YOLOv5 中 CSP 的

parse_model()函数 Detect模块 Detect模块是YOLO网络模型的最后一层，通过yaml文件进行声明

1. 基础组件 Conv DWConv Bottleneck C3 SPP Focus Contract Expand Concat

卷积层 卷积层是卷积神经网络中的核心模块，卷积层的目的是提取输入特征图的特征，如下图所示，卷积核可以提取图像中的边缘信息。 卷积的计算方法 卷积运算 卷积运算本质上就是在滤波器和输入数据的局部区域间做

ananconda官网 管理conda环境 展示所有环境 创建虚拟环境 删除虚拟环境 激活虚拟环境 退出虚拟环境

安装OpenCv 滤波 opencv中的卷积 方盒滤波 均值滤波 高斯滤波 中值滤波 双边滤波 边缘检测 形态学操作：膨胀、、腐蚀细化 霍夫变化 案例：

pytorch官网：https://pytorch.org/ 查看自己的cuda版本 终端执行命令nvidia-smi 右上角即为你的cuda版本 按照官方的指示安装pythorch 笔者cuda版本

本博客供刚接触人工智能的小白或忘记相关内容配置环境时参考。笔者的操作系统环境是ubuntu22.04，网络上相关的文章浩如烟海，笔者希望这系列文章能为以后的自己或和我使用同样开发环境的开发者提供帮助。