YOLOv5目标检测优化点（添加小目标头检测）

文章目录

  • 1、前言
  • 2、如何计算参数
  • 3、YOLOv5小目标改进-1
    • 3.1、结构文件
    • 3.2、结构图
    • 3.3、参数对比
      • 3.3.1、yolov5l.yaml 解析表
      • 3.3.2、 yolov5l-4P.yaml 解析表
  • 4、YOLOv5小目标改进-2
    • 4.1、结构文件
    • 4.2、结构图
  • 5、YOLOv5小目标改进-3
    • 5.1、结构文件
  • 6、YOLOv5小目标改进-4
    • 6.1、结构文件
  • 7、优化点
    • 7.1、改进模型其他思路
    • 7.2、如何使用更深层次的网络
  • 8、遇到的问题
  • 9、参考文章
  • 10、目标检测系列文章

1、前言

在检测过程中，碰到小的目标物体，采用YOLOv5模型，难以检测到小目标，因此本文提出，增加小目标检测头，从浅层特征图学习到小目标的特征信息后，与深层特征图拼接，从而使深层网络也能够学习到小目标的特征信息，让网络更加关注小目标的检测，提高目标检测效果。唯一缺点是随着网络层数增多，带来计算量的增加导致检测推理速度减慢。

2、如何计算参数

H₂=(H1-K+2P)/S+1

其中，H1代表输入宽度，K代表卷积核个数，P代表零填充，S代表步长。

  • Conv：卷积，一般来说宽高会降低一遍（主要看参数）。
  • Upsample: 上采样，宽高升高一倍。
  • Concat：拼接，宽高一致情况下，维度相加。

3、YOLOv5小目标改进-1

3.1、结构文件

yolov5l.yaml 源文件

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# Parameters
nc: 80  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple
anchors:- [10,13, 16,30, 33,23]  # P3/8- [30,61, 62,45, 59,119]  # P4/16- [116,90, 156,198, 373,326]  # P5/32# YOLOv5 v6.0 backbone
backbone:# [from, number, module, args]# args: channel，kernel_size，stride，padding，bias等[[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2[-1, 1, Conv, [128, 3, 2]],  # 1-P2/4[-1, 3, C3, [128]],[-1, 1, Conv, [256, 3, 2]],  # 3-P3/8[-1, 6, C3, [256]],[-1, 1, Conv, [512, 3, 2]],  # 5-P4/16[-1, 9, C3, [512]],[-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32[-1, 3, C3, [1024]],[-1, 1, SPPF, [1024, 5]],  # 9]# YOLOv5 v6.0 head
head:[[-1, 1, Conv, [512, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 6], 1, Concat, [1]],  # cat backbone P4[-1, 3, C3, [512, False]],  # 13[-1, 1, Conv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 4], 1, Concat, [1]],  # cat backbone P3[-1, 3, C3, [256, False]],  # 17 (P3/8-small)[-1, 1, Conv, [256, 3, 2]],[[-1, 14], 1, Concat, [1]],  # cat head P4[-1, 3, C3, [512, False]],  # 20 (P4/16-medium)[-1, 1, Conv, [512, 3, 2]],[[-1, 10], 1, Concat, [1]],  # cat head P5[-1, 3, C3, [1024, False]],  # 23 (P5/32-large)[[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)]

添加多一层小目标检测，即默认三头检测，现在是四头检测。

创建 yolov5l-4P.yaml ，代码如下

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# Parameters
nc: 80  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple
anchors:- [ 10,13, 16,30, 33,23 ]  # P2/4- [ 30,61, 62,45, 59,119 ]  # P3/8- [ 116,90, 156,198, 373,326 ]  # P4/16- [ 436,615,  739,380,  925,792 ]  # P5/32# YOLOv5 v6.0 backbone
backbone:# [from, number, module, args]# args: channel，kernel_size，stride，padding，bias等[[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2[-1, 1, Conv, [128, 3, 2]],  # 1-P2/4[-1, 3, C3, [128]],[-1, 1, Conv, [256, 3, 2]],  # 3-P3/8[-1, 6, C3, [256]],[-1, 1, Conv, [512, 3, 2]],  # 5-P4/16[-1, 9, C3, [512]],[-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32[-1, 3, C3, [1024]],[-1, 1, SPPF, [1024, 5]],  # 9]# YOLOv5 v6.0 head
head:[[-1, 1, Conv, [512, 1, 1]],  # 10   20*20[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 6], 1, Concat, [1]],  # cat backbone P4[-1, 3, C3, [512, False]],  # 13[-1, 1, Conv, [512, 1, 1]], # 14  40*40 [512,40,40][-1, 1, nn.Upsample, [None, 2, 'nearest']],   # [512,80,80][[-1, 4], 1, Concat, [1]],  # cat backbone P3   80*80  [768,80,80][-1, 3, C3, [512, False]],  # 17 (P3/8-small)  80*80  [768,80,80][-1, 1, Conv, [256, 1, 1]],  # 18  [256,80,80][-1, 1, nn.Upsample, [None, 2, 'nearest']],  # [256,160,160][[-1, 2], 1, Concat, [1]],  # cat backbone P3 # [384,160,160][-1, 3, C3, [256, False]],  # 21 (P3/8-small) # [256,160,160][-1, 1, Conv, [256, 3, 2]],   # 22  80*8  [256,80,80][[-1, 18], 1, Concat, [1]],  # cat head P4  [512,80,80][-1, 3, C3, [256, False]],  # 24 (P4/16-medium) [256,80,80][-1, 1, Conv, [256, 3, 2]],  # [256,40,40][[-1, 14], 1, Concat, [1]],  # cat head P4 [768,40,40][-1, 3, C3, [512, False]],  # 27 (P4/16-medium) [512,40,40][-1, 1, Conv, [512, 3, 2]],  # [512,20,20][[-1, 10], 1, Concat, [1]],  # cat head P5  [1024,20,20][-1, 3, C3, [1024, False]],  # 30 (P5/32-large) [1024,20,20][[21, 24, 27,30], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)]

3.2、结构图

改进前

在这里插入图片描述

改进后

在这里插入图片描述

3.3、参数对比

3.3.1、yolov5l.yaml 解析表

1. 注：yolov5l.yaml的depth_multiple和width_multiple都为1
2. 利用上述公式进行计算，H₂=(H1-K+2P)/S+1。
3. args: channel，kernel_size，stride，padding，bias等
4. （640-6+2*2）/ 2 +1 =320

层数frommouduleargumentsinputoutput
0-1Conv[3, 64, 6, 2, 2][3, 640, 640][64, 320, 320]
1-1Conv[64, 128, 3, 2][64, 320, 320][128, 160, 160]
2-1C3[128,128, 1][128, 160, 160][128 160, 160]
3-1Conv[128,256, 3, 2][128 160, 160][256, 80, 80]
4-1C3[256,256, 2][256, 80, 80][256, 80, 80]
5-1Conv[256,512, 3, 2][256, 80, 80][512, 40, 40]
6-1C3[512, 512, 3][512, 40, 40][512, 40, 40]
7-1Conv[512, 1024, 3, 2][512, 40, 40][1024, 20, 20]
8-1C3[1024, 1024, 1][1024, 20, 20][1024, 20, 20]
9-1SPPF[1024, 1024, 5][1024, 20, 20][1024, 20, 20]
10-1Conv[1024,512, 1, 1][1024, 20, 20][512, 20, 20]
11-1Upsample[None, 2, ‘nearest’][512, 20, 20][512, 40, 40]
12[-1, 6]Concat[512+512][1, 512, 40, 40],[1, 512, 40, 40][1024, 40, 40]
13-1C3[1024,512, 1, False][1024, 40, 40][512, 40, 40]
14-1Conv[512,256, 1, 1][512, 40, 40][256, 40, 40]
15-1Upsample[None, 2, ‘nearest’][256, 40, 40][256, 80, 80]
16[-1, 4]Concat[256+256][1, 256, 80, 80],[1, 256, 80, 80][512, 80, 80]
17-1C3[512, 256, 1, False][512, 80, 80][256, 80, 80]
18-1Conv[256, 256, 3, 2][256, 80, 80][256, 40, 40]
19[-1, 14]Concat[256+256][1, 256, 40, 40],[1, 256, 40, 40][512, 40, 40]
20-1C3[512, 512, 1, False][512, 40, 40][512, 40, 40]
21-1Conv[512, 512, 3, 2][512, 40, 40][512, 20, 20]
22[-1, 10]Concat[512+512][1, 512, 20, 20],[1, 512, 20, 20][1024 20, 20]
23-1C3[1024,1024, 1, False][1024, 20, 20][1024, 20, 20]
24[17, 20, 23]Detect[80, [[10, 13, 16, 30, 33, 23], [30, 61, 62, 45, 59, 119], [116, 90, 156, 198, 373, 326]], [128, 256, 512]][1, 256, 80, 80],[1, 512, 40, 40],[1, 1024, 20, 20][1, 3, 80, 80, 85],[1, 3, 40, 40, 85],[1, 3, 20, 20, 85]

3.3.2、 yolov5l-4P.yaml 解析表

注：yolov5l.yaml的depth_multiple和width_multiple都为1

层数frommouduleargumentsinputoutput
0-1Conv[3, 64, 6, 2, 2][3, 640, 640][64, 320, 320]
1-1Conv[64, 128, 3, 2][64, 320, 320][128, 160, 160]
2-1C3[128,128, 1][128, 160, 160][128 160, 160]
3-1Conv[128,256, 3, 2][128 160, 160][256, 80, 80]
4-1C3[256,256, 2][256, 80, 80][256, 80, 80]
5-1Conv[256,512, 3, 2][256, 80, 80][512, 40, 40]
6-1C3[512, 512, 3][512, 40, 40][512, 40, 40]
7-1Conv[512, 1024, 3, 2][512, 40, 40][1024, 20, 20]
8-1C3[1024, 1024, 1][1024, 20, 20][1024, 20, 20]
9-1SPPF[1024, 1024, 5][1024, 20, 20][1024, 20, 20]
10-1Conv[1024,512, 1, 1][1024, 20, 20][512, 20, 20]
11-1Upsample[None, 2, ‘nearest’][512, 20, 20][512, 40, 40]
12[-1, 6]Concat[512+512][1, 512, 40, 40],[1, 512, 40, 40][1024, 40, 40]
13-1C3[1024,512, 1, False][1024, 40, 40][512, 40, 40]
14-1Conv[512,512, 1, 1][512, 40, 40][512, 40, 40]
15-1Upsample[None, 2, ‘nearest’][512, 40, 40][512, 80, 80]
16[-1, 4]Concat[256+512][1, 256, 80, 80],[1, 512, 80, 80][768, 80, 80]
17-1C3[768, 512, 1, False][768, 80, 80][512, 80, 80]
18-1Conv[512, 256, 1, 1][512, 80, 80][256, 80, 80]
19-1Upsample[None, 2, ‘nearest’][256, 80, 80][256, 160, 160]
20[-1, 2]Concat[256+128][1, 256, 160, 160],[1, 128, 160, 160][384, 160, 160]
21-1C3[384, 256, 1, False][384, 160, 160][256, 160, 160]
22-1Conv[256, 256, 3, 2][256, 160, 160][256, 80, 80]
23[-1, 18]Concat[256+256][1, 256, 80, 80],[1,256, 80, 80][512, 80, 80]
24-1C3[512,256, 1, False][512, 80, 80][256,80,80]
25-1Conv[256, 3, 2][256,80,80][256,40,40]
26[-1, 14]Concat[256+512][256,40,40][768,40,40]
27-1C3[768,512, 1, False][768,40,40][512,40,40]
28-1Conv[512, 3, 2][512,40,40][512,20,20]
29[-1, 10]Concat[512+512][512,20,20][1024,20,20]
30-1C3[1024,1024, 1, False][1024,20,20][1024,20,20]
31[21, 24, 27,30]Detect[80, [[10, 13, 16, 30, 33, 23], [30, 61, 62, 45, 59, 119], [116, 90, 156, 198, 373, 326],[ 436,615, 739,380, 925,792 ]], [256, 256, 512,1024]][1, 256, 160, 160],[1, 256, 80, 80],[1, 512, 40, 40],[1, 1024, 20, 20][1, 3, 160, 160, 80],[1, 3, 80, 80, 80],[1, 3, 40, 40, 80],[1, 3, 20, 20, 80]

4、YOLOv5小目标改进-2

4.1、结构文件

自动锚框四头（P2, P3, P4, P5）

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# Parameters
nc: 80  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple
anchors: 3  # AutoAnchor evolves 3 anchors per P output layer# YOLOv5 v6.0 backbone
backbone:# [from, number, module, args][[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2[-1, 1, Conv, [128, 3, 2]],  # 1-P2/4[-1, 3, C3, [128]],[-1, 1, Conv, [256, 3, 2]],  # 3-P3/8[-1, 6, C3, [256]],[-1, 1, Conv, [512, 3, 2]],  # 5-P4/16[-1, 9, C3, [512]],[-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32[-1, 3, C3, [1024]],[-1, 1, SPPF, [1024, 5]],  # 9]# YOLOv5 v6.0 head with (P2, P3, P4, P5) outputs
head:[[-1, 1, Conv, [512, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 6], 1, Concat, [1]],  # cat backbone P4[-1, 3, C3, [512, False]],  # 13[-1, 1, Conv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 4], 1, Concat, [1]],  # cat backbone P3[-1, 3, C3, [256, False]],  # 17 (P3/8-small)[-1, 1, Conv, [128, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 2], 1, Concat, [1]],  # cat backbone P2[-1, 1, C3, [128, False]],  # 21 (P2/4-xsmall)[-1, 1, Conv, [128, 3, 2]],[[-1, 18], 1, Concat, [1]],  # cat head P3[-1, 3, C3, [256, False]],  # 24 (P3/8-small)[-1, 1, Conv, [256, 3, 2]],[[-1, 14], 1, Concat, [1]],  # cat head P4[-1, 3, C3, [512, False]],  # 27 (P4/16-medium)[-1, 1, Conv, [512, 3, 2]],[[-1, 10], 1, Concat, [1]],  # cat head P5[-1, 3, C3, [1024, False]],  # 30 (P5/32-large)[[21, 24, 27, 30], 1, Detect, [nc, anchors]],  # Detect(P2, P3, P4, P5)]

4.2、结构图

在这里插入图片描述

5、YOLOv5小目标改进-3

5.1、结构文件

四头BiFPN（P3, P4, P5, P6）

# parameters
nc: 80  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple# anchors
anchors:- [ 19,27,  44,40,  38,94 ]  # P3/8- [ 96,68,  86,152,  180,137 ]  # P4/16- [ 140,301,  303,264,  238,542 ]  # P5/32- [ 436,615,  739,380,  925,792 ]  # P6/64# YOLOv5 backbone
backbone:# [from, number, module, args][ [-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2[-1, 1, Conv, [128, 3, 2]],  # 1-P2/4[-1, 3, C3, [128]],[-1, 1, Conv, [256, 3, 2]],  # 3-P3/8[-1, 6, C3, [256]],[-1, 1, Conv, [512, 3, 2]],  # 5-P4/16[-1, 9, C3, [512]],[-1, 1, Conv, [768, 3, 2]],  # 7-P5/32[-1, 3, C3, [768]],[-1, 1, Conv, [1024, 3, 2]],  # 9-P6/64[-1, 3, C3, [1024]],[-1, 1, SPPF, [1024, 5]],  # 11]# YOLOv5 head
head:[ [ -1, 1, Conv, [ 768, 1, 1 ] ],    # 12 head[ -1, 1, nn.Upsample, [ None, 2, 'nearest' ] ],[ [ -1, 8 ], 1, BiFPN_Add2, [ 384,384] ],  # cat backbone P5[ -1, 3, C3, [ 768, False ] ],  # 15[ -1, 1, Conv, [ 512, 1, 1 ] ],[ -1, 1, nn.Upsample, [ None, 2, 'nearest' ] ],[ [ -1, 6 ], 1, BiFPN_Add2, [ 256,256] ],  # cat backbone P4[ -1, 3, C3, [ 512, False ] ],  # 19[ -1, 1, Conv, [ 256, 1, 1 ] ],[ -1, 1, nn.Upsample, [ None, 2, 'nearest' ] ],[ [ -1, 4 ], 1, BiFPN_Add2, [ 128,128] ],  # cat backbone P3[ -1, 3, C3, [ 256, False ] ],  # 23 (P3/8-small)[ -1, 1, Conv, [ 512, 3, 2 ] ],[ [ -1, 6, 19 ], 1, BiFPN_Add3, [ 256 , 256 ] ],  # cat head P4[ -1, 3, C3, [ 512, False ] ],  # 26 (P4/16-medium)[ -1, 1, Conv, [ 768, 3, 2 ] ],[ [ -1, 8, 15 ], 1, BiFPN_Add3, [ 384,384 ] ],  # cat head P5[ -1, 3, C3, [ 768, False ] ],  # 29 (P5/32-large)[ -1, 1, Conv, [ 1024, 3, 2 ] ], #30[ [ -1, 11 ], 1, BiFPN_Add2, [ 512, 512] ],  # cat head P6[ -1, 3, C3, [ 1024, False ] ],  # 32 (P6/64-xlarge)[ [ 23, 26, 29, 32 ], 1, Detect, [ nc, anchors ] ],  # Detect(P3, P4, P5, P6)]

6、YOLOv5小目标改进-4

6.1、结构文件

两头(P3,P4)

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# Parameters
nc: 80  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
anchors: 3  # AutoAnchor evolves 3 anchors per P output layer# YOLOv5 v6.0 backbone
backbone:# [from, number, module, args][ [ -1, 1, Conv, [ 64, 6, 2, 2 ] ],  # 0-P1/2[ -1, 1, Conv, [ 128, 3, 2 ] ],  # 1-P2/4[ -1, 3, C3, [ 128 ] ],[ -1, 1, Conv, [ 256, 3, 2 ] ],  # 3-P3/8[ -1, 6, C3, [ 256 ] ],[ -1, 1, Conv, [ 512, 3, 2 ] ],  # 5-P4/16[ -1, 9, C3, [ 512 ] ],[ -1, 1, Conv, [ 1024, 3, 2 ] ],  # 7-P5/32[ -1, 3, C3, [ 1024 ] ],[ -1, 1, SPPF, [ 1024, 5 ] ],  # 9]# YOLOv5 v6.0 head with (P3, P4) outputs
head:[ [ -1, 1, Conv, [ 512, 1, 1 ] ],[ -1, 1, nn.Upsample, [ None, 2, 'nearest' ] ],[ [ -1, 6 ], 1, Concat, [ 1 ] ],  # cat backbone P4[ -1, 3, C3, [ 512, False ] ],  # 13[ -1, 1, Conv, [ 256, 1, 1 ] ],[ -1, 1, nn.Upsample, [ None, 2, 'nearest' ] ],[ [ -1, 4 ], 1, Concat, [ 1 ] ],  # cat backbone P3[ -1, 3, C3, [ 256, False ] ],  # 17 (P3/8-small)[ -1, 1, Conv, [ 256, 3, 2 ] ],[ [ -1, 14 ], 1, Concat, [ 1 ] ],  # cat head P4[ -1, 3, C3, [ 512, False ] ],  # 20 (P4/16-medium)[ [ 17, 20 ], 1, Detect, [ nc, anchors ] ],  # Detect(P3, P4)]

7、优化点

7.1、改进模型其他思路

在这里插入图片描述

7.2、如何使用更深层次的网络

更深层次的网络在models/hub里面自带了，一般是高分辨率图像适合使用的。

在这里插入图片描述

8、遇到的问题

RuntimeError: The size of tensor a (3) must match the size of tensor b (4) at non-singleton dimension 0

原因：

  1. 要求anchors个数是4个，目前匹配到了3个，还缺少1个。
  2. 因为添加了额外输出层，但是我们没有为该层定义任何的anchors。

解决方案：

  1. 我们额外为该层添加一个anchors
  2. 设置自动添加anchor
    • anchors: 3 # AutoAnchor evolves 3 anchors per P output layer，为每一个特征输出层自动生成3个锚框
# 原始：
anchors:- [10,13, 16,30, 33,23]  # P3/8- [30,61, 62,45, 59,119]  # P4/16- [116,90, 156,198, 373,326]  # P5/32# 添加新的anchors:
anchors:- [ 10,13, 16,30, 33,23 ]  # P2/4- [ 30,61, 62,45, 59,119 ]  # P3/8- [ 116,90, 156,198, 373,326 ]  # P4/16- [ 436,615,  739,380,  925,792 ]  # P5/32

9、参考文章

  1. 万字长文！YOLO算法模型yaml文件史上最详细解析与教程！小白也能看懂！掌握了这个就掌握了魔改YOLO的核心！
  2. YOLOv8/YOLOv7/YOLOv5系列算法改进【NO.6】增加小目标检测层，提高对小目标的检测效果

10、目标检测系列文章

  1. YOLOv5s网络模型讲解(一看就会)
  2. 生活垃圾数据集（YOLO版）
  3. YOLOv5如何训练自己的数据集
  4. 双向控制舵机（树莓派版）
  5. 树莓派部署YOLOv5目标检测（详细篇）
  6. YOLO_Tracking 实践 （环境搭建 & 案例测试）
  7. 目标检测：数据集划分 & XML数据集转YOLO标签
  8. YOLOv5改进–轻量化YOLOv5s模型
  9. DeepSort行人车辆识别系统（实现目标检测+跟踪+统计）

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/619336.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

云服务器安装Mysql、MariaDB、Redis、tomcat

云服务器安装Mysql、MariaDB、Redis、tomcat

前置工作 进入根目录 cd / 进入/user/local文件夹 上传压缩包 rz 压缩包 Mysql 1.下载并安装MySQL官方的 Yum Repository wget http://dev.mysql.com/get/mysql-community-release-el7-5.noarch.rpm rpm -ivh mysql-community-release-el7-5.noarch.rpm yum install mysql-…
阅读更多...
[Android]申请成为Google Play个人开发者

[Android]申请成为Google Play个人开发者

1.注册Google邮箱 2.进入play.google.com选择成为“企业”或是“个人”开发者 https://play.google.com/console 3.选择成为个人开发者 这里会提示你申请的所需条件。有告诉我们，后面需要支付$25。 继续的话，要求填写一个开发者名称。 4.创建付款信息…
阅读更多...
cannot import name ‘get_host‘ from ‘urllib3.util.url‘

cannot import name ‘get_host‘ from ‘urllib3.util.url‘

Error in py_module_import(module, convert convert) : ImportError: cannot import name get_host from urllib3.util.url (D:\\url.py) Run reticulate::py_last_error() for details. 这个错误表明在 urllib3 模块的 util.url 子模块中找不到名为 get_host 的函数。这可能…
阅读更多...
康耐视visionpro-CogFindCircleTool操作工具详细说明

康耐视visionpro-CogFindCircleTool操作工具详细说明

◆CogFindCircleTool]功能说明： 通过用多个卡尺找到多个点来拟合所要找的圆 ◆CogFindCircleTool操作说明： ①.打开工具栏，双击或点击鼠标拖拽添加CogFindCircleTool工具 ②.添加输入图像，右键“链接到”或以连线拖拽的方式选择相应输入源 ③预期的圆弧：设置预期圆弧的…
阅读更多...
Linux gcc 6

Linux gcc 6

本章开始学习工具 什么是工具？ 本质也是指令 yum 命令 小火车 sudo yum install sl（安装sl） sudo yum install -y sl //直接yes就不提示了 yum list //将yum源上的软件都穷举出来 yum search sl //结果不友好，不推荐 yum lis…
阅读更多...
Tomcat源码解析——Tomcat的启动流程

Tomcat源码解析——Tomcat的启动流程

一、启动脚本 当我们在服务启动Tomcat时，都是通过执行startup.sh脚本启动。 在Tomcat的启动脚本startup.sh中，最终会去执行catalina.sh脚本，传递的参数是start。 在catalina.sh脚本中，前面是环境判断和初始化参数，最终…
阅读更多...
.cur 鼠标光标编辑器

.cur 鼠标光标编辑器

详解透明贴图和三元光栅操作 - CodeBus 鼠标指针文件格式解析——Windows（二） (qq.com) [C/C] RGBA数组生成Windows下的ico文件_c ico格式-CSDN博客 色环设计 - CodeBus 左键绘制 右键选颜色 ctrl右键设置鼠标热点 F1导出.cur文件 //代码来源&…
阅读更多...
Linux的重要命令（二）+了解Linux目录结构

Linux的重要命令（二）+了解Linux目录结构

目录 一.Linux的目录结构 二.查看文件内容命令 1.cat 命令 2.more 命令 3.less 命令 4.head 命令 5.tail 命令 6.拓展 head 和 tail 的其他用法 ​编辑 三.统计文件内容的命令-wc ​编辑 四.检索和过滤文件内容的命令-grep ​编辑 ​编辑 五.压缩命令 gzip 和 bz…
阅读更多...
基于R语言实现的负二项回归模型【理解与实现】-理解负二项回归模型和泊松回归模型之间的区别

基于R语言实现的负二项回归模型【理解与实现】-理解负二项回归模型和泊松回归模型之间的区别

前言 我们可以在R语言中使用MASS包中的glm.nb函数来拟合负二项模型，以及使用glm函数来拟合泊松模型。以下是一个详细的过程，包括模拟数据的生成、模型的拟合、结果的比较和解释。 需要的包 if (!require("MASS")) install.packages("M…
阅读更多...
【opencv】示例-travelsalesman.cpp 使用模拟退火算法求解旅行商问题

【opencv】示例-travelsalesman.cpp 使用模拟退火算法求解旅行商问题

// 载入 OpenCV 的核心头文件 #include <opencv2/core.hpp> // 载入 OpenCV 的图像处理头文件 #include <opencv2/imgproc.hpp> // 载入 OpenCV 的高层GUI(图形用户界面)头文件 #include <opencv2/highgui.hpp> // 载入 OpenCV 的机器学习模块头文件 #includ…
阅读更多...
2024第十五届蓝桥杯 JAVA B组 填空题

2024第十五届蓝桥杯 JAVA B组 填空题

没参加这次蓝桥杯算法赛&#xff0c;十四届蓝桥杯被狂虐&#xff0c;对算法又爱又恨&#xff0c;爱我会做的题&#xff0c;痛恨我连题都读不懂的题&#x1f62d;,十四届填空只做对一个&#xff0c;今天闲的蛋疼想看看这次比赛能做对几个。 暂时没找到题目&#xff0c;这是网上找…
阅读更多...
【氮化镓】GaN HEMTs结温和热阻测试方法

【氮化镓】GaN HEMTs结温和热阻测试方法

文章《Temperature rise detection in GaN high-electron-mobility transistors via gate-drain Schottky junction forward-conduction voltages》&#xff0c;由Xiujuan Huang, Chunsheng Guo, Qian Wen, Shiwei Feng, 和 Yamin Zhang撰写&#xff0c;发表在《Microelectroni…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023