史上最详细yolov5环境配置搭建+配置所需文件

huangyhg

史上最详细yolov5环境配置搭建+配置所需文件
https://blog.csdn.net/qq_44697805/article/details/107702939
我之前有cuda环境，直接下完git 代码，创建了个python = 3.7的虚拟环境yolov5，激活后，跳到第四步，conda install pytorch torchvision torchaudio cudatoolkit=11.1 -c pytorch
走到第六步，跑了个detect.py， 缺什么包就按照这里的描述装了个相应版本（一路默认，没选版本，安装完核对了下版本号）https://github.com/ultralytics/y ... er/requirements.txt
上图三个蓝色方框内表示Yolov3的三个基本组件：
（1）CBL：Yolov3网络结构中的最小组件，由Conv+Bn+Leaky_relu激活函数三者组成。
（2）Res unit：借鉴Resnet网络中的残差结构，让网络可以构建的更深。
（3）ResX：由一个CBL和X个残差组件构成，是Yolov3中的大组件。每个Res模块前面的CBL都起到下采样的作用，因此经过5次Res模块后，得到的特征图是608->304->152->76->38->19大小。

https://www.jb51.net/article/189766.htm
sigmoid和tanh是“饱和激活函数”，而ReLU及其变体则是“非饱和激活函数”。使用“非饱和激活函数”的优势在于两点：

1.首先，“非饱和激活函数”能解决所谓的“梯度消失”问题。

2.其次，它能加快收敛速度。
用batch normalization作为正则化、加速收敛和避免过拟合的方法，把BN层和leaky relu层接到每一层卷积层之后。
原文链接：https://blog.csdn.net/nan355655600/article/details/106246625
Focus的作用无非是使图片在下采样的过程中，可以一定程度上减少了模型的计算量，并且不会带来信息丢失，为后续的特征提取保留了更完整的图片下采样信息。
https://blog.csdn.net/weixin_44929077/article/details/109882939

huangyhg

https://blog.csdn.net/qq_4469780 ... omMachineLearnPai2-