商城网站开发背景,东莞网站制作培训,做网站的一定要开80或8080端口,wdcp安装wordpress 502目标检测模型 目标检测模型 基础知识 像素操作 YOLO模型 YOLOv5： YOLOv8： 模型序列化格式 模型量化 模型部署 YOLO模型训练 1、数据集组织结构 2、数据集的划分 3、标注文件的转换 4、训练数据的配置文件（train.yaml） 5、加载预训练模型开始训练 6、训练参数设置 7、评估模…目标检测模型目标检测模型基础知识像素操作YOLO模型YOLOv5：YOLOv8：模型序列化格式模型量化模型部署YOLO模型训练1、数据集组织结构2、数据集的划分3、标注文件的转换4、训练数据的配置文件（train.yaml）5、加载预训练模型开始训练6、训练参数设置7、评估模型性能8、改进策略模型推理数据预处理数据后处理目标检测模型基础知识像素操作常用读图工具的默认通道格式opencv：BGR（HWC：BGRBGR…）PIL：RGBUltralytics 框架：RGB（CHW：RRR…GGG…BBB…）YOLO模型模型输出边界框的坐标表示方式YOLOv5：模型不同版本的参数模型输入输出模型输入数据的格式：BCHW模型输入数据的色彩空间：RGB模型输出数据的格式：【batch_size、预测框个数、预测框信息维度】预测框信息维度（xywhn）：normal_x_center、 nromal_y_center、 normal_width、 normal_height、obj_confidence、class_0_Probability、class_1_Probability…class_N_Probability。总预测框个数计算方式：cnt = ( input_w * input_h / (88) + input_w * input_h / (1616) + input_w * input_h / (32*32) ) * 3YOLOv8：模型使用三个不同尺度 80×80（stride=8）、 40×40（stride=16）、20×20（stride=32）的特征图上进行边界框预测，每个特征图上的每个网格点预测一个目标框； 直接预测边界框坐标，无需预定义锚框；模型不同版本的参数模型输入输出模型输入数据的格式：BCHW模型输入数据的色彩空间：RGB模型输出数据的信息格式：【batch_size、预测框信息维度、预测框个数】预测框信息维度（xywh）： x_center、 y_center、 width、 height、class_0_Probability、class_1_Probability…class_N_Probability。总预测框个数计算方式：cnt = input_w * input_h / (88) + input_w * input_h / (1616) + input_w * input_h / (32*32)模型序列化格式模型序列化的格式：TorchScript：PyTorch框架专属序列化格式；支持动态图；适用推理引擎：PyTorch、LibTorch（C++）、TorchScript Mobile；支持更复杂的控制流（如循环、条件判断)；对自定义算子、复杂逻辑的支持更好；更容易保留原始模型的行为ONNX：支持多框架（PyTorch、TensorFlow、Keras、MXNet 等）序列化导出模型；适用推理引擎：ONNX Runtime、TensorRT、OpenVINO、Core ML、NCNN ；计算图是静态的，某些动态结构（如可变长度循环）可能无法导出；依赖于算子集（operator set），如果模型中包含不支持的算子，导出会失败或需要自定义扩展pt：Pytorch原生格式engine:Tensort 导出的格式模型量化量化感知训练（QAT）：量化感知训练（Quantization-Aware Training, QAT），是一种在训练后期引入“伪量化”节点，模拟量化过程中的舍入和范围限制，让模型权重和激活值在训练中“适应”量化带来的噪声，从而在部署时获得更高的推理速度和更低的资源消耗，同时最大程度保留精度。目前存在问题：对开发者熟悉PyTorch底层机制的要求较高；自定义OP或多分支结构易导致量化失败；缺乏自动化敏感层识别与量化策略推荐功能。训练后量化（PTQ）：训练后量化，简单快速，但精度损失较大；模型部署重点关注指标：mAP（精度）、FPS（延迟）、功耗（能效）YOLO模型训练1、数据集组织结构dataset/├── images/│ ├── train/│ └── val/├── labels/│ ├── train/│ └── val/└── data.yaml2、数据集的划分训练集和验证集的划分，一般将数据集的图片进行随机打乱，然后按照一定比例进行划分。训练集的划分：80%，验证集的划分：10%，测试集的划分：10%3、标注文件的转换不能直接使用标注软件labelMe导出的 .Json 格式文件，需要先将其转换为 YOLO 格式的 .txt 文件。== YOLO 格式的txt标注文件结构为：==class_id x_center y_center width height说明：1. 每一行都是同一张图片里的一个目标2. 类别 ID 从 0 开始连续编号3. LabelMe标注文件中存在的是类型的名字，而YOLO标注格式存的是类别的编号，所以需要建立类别编号和类别名字的对应关系。4. 中心点和宽高 需 归一化到 [0, 1]（相对于图像宽高）； x_center y_center 为目标框的中心点归一化后的坐标：x_center=(left_top_x+right_bottom_x)/2/img_width y_center=(left_top_y+right_bottom_y)/2/img_height width=abs(right_bottom_x-left_top_x)/img_width height=abs(right_bottom_y-left_top_y)/img_height4、训练数据的配置文件（train.yaml）path: /home/mec/wxj/ultralytics/myTest/datasets train: train (相对于path的路径) val: val (相对于path的路径) test: test (相对于path的路径) names: 0: ambu # id 与label 之间必须加空格隔开 1: bigtru 2: bike