毕设随记

断了好几天没整这一块了- -要不是在炼丹，要不就是在改进传统方法的阈值分割效果。 那肯定还是传统方法比较好改进的，对yolo网络，改结构的适用性也不一定高- -加大参数量效果也不一定好。 炼丹正确率最

整体结构 一眼看过去是不是人都要晕了？逐层看看具体是怎么回事吧~ 从ultralytics\cfg\models\v8中找到yolov8相应.yaml文件。 backbone部分 backbone:

打标又打了一天，其实分割是比检测容易标注一点的，segment_anything真的是很强大的模型 先看看文件夹是怎样的 .json文件存储在json_labels文件夹内，images和labels

比较： labelimg完成的是对目标物的框选，最终完成的任务是目标检测。 labelme完成的是对目标物的分割，可以理解为更精细化的目标检测。 下面梳理一下安装labelme的过程： step1：

前文中完成了简单的配置，现在学习一下怎么使用模型进行训练。 训练：yolo train data=… model=yolov8n.pt epochs=... lr0=0.03 试一下怎么用： 执行过程

labelimg的功能 labelImg可以帮助用户快速而准确地标注大量图像数据，用于建立自己的数据集，以便机器学习研究人员、数据科学家和开发人员标注图像来训练计算机视觉模型。 可以标注三种格式 Pa

首先的想法是，基于RGB来分割。首先写一个函数，读取原图片，当鼠标点击对应位置时返回其坐标（X,Y)以及对应的RGB值，便于后续作为阈值的设置。 函数实现如下: 但实际上，RGB是不利于实现分割的,H

图像阈值化分割是一种传统的、最常用的图像分割方法，因其实现简单、计算量小、性能较稳定，成为图像分割中最基本和应用最广泛的分割技术。它特别适用于目标和背景占据不同灰度级范围的图像，在很多情况下是进行图像

图像预处理 1、背景介绍 原图像很大，要放大到一定程度才有比较合适的分辨率 放大至下面这个程度时，才较易进行处理 那么针对这类图像，要怎么处理呢？ 大致梳理一下流程： 1、确定两条“竖线”大致x坐标，