在美团 YOLOv6 推出后不到两个星期，YOLOv4 团队就发布了更新一代的YOLOv7版本
YOLOv7 在 5 FPS 到 160 FPS 范围内，速度和精度都超过了所有已知的目标检测器，并在 GPU V100 上，30 FPS 的情况下达到实时目标检测器的最高精度 56.8% AP。YOLOv7 是在 MS COCO 数据集上从头开始训练的，不使用任何其他数据集或预训练权重。
相对于其他类型的工具，YOLOv7-E6 目标检测器（56 FPS V100，55.9% AP）比基于 transformer 的检测器 SWINL Cascade-Mask R-CNN（9.2 FPS A100，53.9% AP）速度上高出 509%，精度高出 2%，比基于卷积的检测器 ConvNeXt-XL Cascade-Mask R-CNN (8.6 FPS A100, 55.2% AP) 速度高出 551%，精度高出 0.7%。
此外， YOLOv7 的在速度和精度上的表现也优于 YOLOR, YOLOX, Scaled-YOLOv4, YOLOv5, DETR, Deformable DETR, DINO-5scale-R50, ViT-Adapter-B 等多种目标检测器。
仅在MS COCO数据集上从头开始训练YOLOv7，而不使用任何其他数据集或预先训练的权重。
其三位作者 Chien-Yao Wang、Alexey Bochkovskiy 和 Hong-Yuan Mark Liao 是 YOLOv4 的原班人马。
-
训练yolov7时遇到的几个问题及解决办法记录在此，再遇到问题随时补充 yolov7的github地址： GitHub - WongKinYiu/yolov7 at v0.1 1.运行train.py后，显示读取到train和val图片后，一直卡住，既不报错也没任何反应 我是在自己的笔记本上训练，没有用服务器，GPU是RTX3060，win系统。解决办法是把--works参数默认值改成0（原本是8
-
@subpage tutorial_py_face_detection_cn 人脸识别 使用 haar-cascades
-
在“锚框”一节中，我们在实验中以输入图像的每个像素为中心生成多个锚框。这些锚框是对输入图像不同区域的采样。然而，如果以图像每个像素为中心都生成锚框，很容易生成过多锚框而造成计算量过大。举个例子，假设输入图像的高和宽分别为561像素和728像素，如果以每个像素为中心生成5个不同形状的锚框，那么一张图像上则需要标注并预测200多万个锚框（$561 \times 728 \times 5$）。 减少锚框
-
使用https://altbeacon.github.io/android-beacon-library/samples.html中的代码试图检测IBeacon发射器，该发射器是iOS8，如下http://blog.passkit.com/configure-iphone-ibeacon-transmiter/，在哪一步出错了，我需要在区域中使用BeaconIdentifier作为mymonito
-
在前面的一些章节中，我们介绍了诸多用于图像分类的模型。在图像分类任务里，我们假设图像里只有一个主体目标，并关注如何识别该目标的类别。然而，很多时候图像里有多个我们感兴趣的目标，我们不仅想知道它们的类别，还想得到它们在图像中的具体位置。在计算机视觉里，我们将这类任务称为目标检测（object detection）或物体检测。 目标检测在多个领域中被广泛使用。例如，在无人驾驶里，我们需要通过识别拍摄到
-
引言 这篇文档会介绍如何用 darknet 训练一个 YOLOv2 目标检测模型，看完这篇文档会发现：模型训练和预测都非常简单，最花时间的精力的往往是训练集的数据预处理。 这里先简单介绍一下 目标分类 (Classification) 和 目标检测 (Detection) 的区别？什么是 YOLO？以及什么是 darknet？ 下面这张图很清晰地说明了目标分类： 一张图片作为输入，然后模型就会告诉
-
我正在尝试在Android上应用一个自定义的对象检测模型。为了应用该模型，我使用/lite/examples/object_detection下的tensorflow存储库示例。为此我也在使用我的个人手机（小米红米Note 8 pro，Android10）进行测试。该示例工作完美，能够识别不同的对象。但是，当我尝试导入自定义模型时，applycation会反复崩溃。为了运行我在build.grad