YOLOv1YOLOv2YOLOv3_0">1.学习哔哩哔哩《YOLOv1、YOLOv2、YOLOv3目标检测算法原理与实战》
炮哥带你学视频链接
YOLOv3_2">第5章 YOLOv3实战
YOLOv3_3">5.1 YOLOv3实战先导
5.2 pycharm与anaconda的安装
之前已经安装过了，见Pytorch框架与经典卷积神经网络与实战第一天|安装PyCharm&Anaconda，配置环境，写爱心代码
5.3 python环境安装
5.4 pytorch环境安装
安装cuda驱动见Pytorch框架与经典卷积神经网络与实战第四天|PyTorch框架与编程环境安装
YOLOv3_15">5.5 YOLOv3代码背景介绍
本课程用的是YOLOv3的9.6版本
YOLOv3_21">5.6 YOLOv3环境安装
下载的时候注意要在红框框出的文件下一级，不能是文件中的文件的文件
检查环境是否配置成功
YOLOv3_31">5.7 YOLOv3代码整体结构分析
代码整体解析：
data文件解析：
（超参数：实现定义好的参数）
models文件解析：
utils文件解析：
runs文件解析：
weight文件解析：
5.8 推理核心参数代码讲解
exp2：
exp5：
5.9 labelimg标注软件的使用
注：现在推荐使用Label Studio，Labelimg已不在开发
创建环境
激活环境
下载labelimg软件
运行labelimg软件
软件功能介绍
W：调出标注十字架
A：切换到上一张图片
D：切换到下一张图片
use default label：固定标签打框
del ：删除标注框框
Ctrl+u：选择标注的图片文件夹
Ctrl+r：选择标注好的 label 标签存在的文件夹
文件保存：一级VOCdevkit，二级VOC2007，第三极：JPEGImages、Annotations
保存格式：尽量用VOC（xmal文件），不要用yolo（txt）
5.10 训练数据集划分
训练的时候，类别必须按顺序来填；检测的时候可以不按顺序来
5.11 训练自己的数据集
you.yaml和dataset_partitioning.py两个文件的检测类别必须一模一样
5.12 训练结果解析
混淆矩阵：
跟置信度相关的FI Score图：
跟置信度相关的精度的图：
跟置信度相关的召回率的图：
PR曲线：
结果解析：
（从左到右分别是：坐标损失、置信度损失、分类损失、精度、召回）
5.13 训练好的权重推理结果
exp9；
exp10：
（图片大小改成608x608）
exp11：
（图片大小改成32x32）
5.14 训练核心参数代码讲解
weights——权重文件
cfg——网络模型配置文件
data——数据集配置文件
hyp——训练时的超参文件
epochs——训练轮次
batch-size——训练批次大小
imgsz——输入网络的图片分辨率大小
rect——把图片用灰色补成正方形
resume——从上次打断的训练结果接着训练
nosave——不保存模型，默认保存
noval——只在最后一次进行测试，默认False
noautoanchor——不自动调整anchor框，默认False
evolve——是否进行超参进化，使数值变得更好，默认False
cache——是否提前缓存图片到内存
image-weights——对于那些训练不好的图片，会在下一轮增加一些权重
device——设备。只有一个GPU“default=0”，有两个GPU，想用第二个“default=1”，想用多个“default=01”
multi-scale——是否使用多尺度训练，默认False
single-cls——开启之后，只要有目标都识别不管类别，默认False，轻易不要开启
adam——优化器
workers——dataloader中的最大work数，电脑不是很好的填0或1
project、name——保存的结果
exist-ok——是否重新创建
linear-lr——用于对学习速率进行调整，默认为 False
label-smoothing——标签平滑增强 默认0.0不增强 要增强一般就设为0.1
patience——早停机制，训练到一定的epoch，如果模型效果未提升，就让模型提前停止训练
freeze——使用预训练模型的规定固定权重不进行调整（freeze 10 :意思从第0层到到第10层不训练）
save-period——设置多少个epoch保存一次模型
local_rank——rank为进程编号 -1且gpu=1时不进行分布式 -1且多块gpu使用DataParallel模式
5.15 测试代码参数讲解
conf-thres——object置信度阈值，默认0.25
iou-thres——进行NMS时IOU的阈值，默认0.6
5.16 yolo.py代码讲解
common.py包含卷积结构、跳转链接、SPP（v4）、Concat等
5.17 conv和bottleneck模块代码讲解
conv：
bottleneck：
5.18 backbone网络模块代码讲解
第一列的-1表示这一层的输入是上一层的输出
第二列的1表示这个模块有几个
第三列表示这层的类型，例如conv（CBL）、Bottleneck
第四列表示输出通道数
第五列表示卷积核的大小
第六列表示步幅S
5.19 neck和head结构代码讲解
上采样upsamble：
neck&head：
5.20 是否佩戴口罩检测项目实战先导
5.21 是否佩戴口罩检测模型训练
修改model中yolov3.yaml文件，复制文件并重命名为yolov3-mask.yaml，把其中类别数量修改为2（戴口罩、不戴口罩）
修改data中you.yaml文件，复制文件并重命名为mask.yaml，把其中检测的类别数量修改为2，以及检测的类别名修改为without-mask，mask
修改dataset_partitioning.py修改类别并划分数据集
5.22 是否佩戴口罩检测模型推理和测试
2.安装Typora1.9.5
Step1 下载安装包
迅雷链接: https://pan.xunlei.com/s/VOFjtwoq1Y06P0cx0c4sMpvxA1?pwd=y4ia
Step2 安装
解压安装包——管理员身份运行——install for all users——选择安装在合适的盘，安装过程中勾选create a desktop cutshort，安装完成后取消勾选launch pytora，然后点击finish——进入crack文件夹——复制winmm.dll文件，放置到typora所在文件夹——双击运行typora——选择帮助——我的许可证，即可激活。
