:params: in_planes 输入模块的feature map的channel :params: ratio 降维/升维因子 通道注意力则是将一个通道内的信息直接进行全局处理，容易忽略通道内的信息交互

对空间注意力来说，由于将每个通道中的特征都做同等处理，容易忽略通道间的信息交互

这是一个二级分类模块, 什么是二级分类模块? 比如做车牌的识别, 先识别出车牌, 如果想对车牌上的字进行识别, 就需要二级分类进一步检测. 如果对模型输出的分类再进行分类, 就可以用这个模块. 不过这里这个类写的比较简单, 若进行复杂的二级分类, 可以根据自己的实际

:params c1: 输入feature map的通道数 :params c2: 输出的feature map的通道数（这个函数的关键点就是对c2进行分组） :params k: 混合的卷积核大小 其实论文里是[3, 5, 7...]用的比较多的

与iter一起用？

打印模型中最后Detect层的偏置bias信息(也可以任选哪些层bias信息)

打印模型中Bottleneck层的权重参数weights信息(也可以任选哪些层weights信息)

add AutoShape module 直接调用common.py中的AutoShape模块 也是一个扩展模型功能的模块

自行使用 自行划分数据集 自动将数据集划分为train/val/test并保存 path/autosplit_*.txt files Usage: from utils.datasets import *; autosplit() :params path: 数据集image

当data值抖动太大, 就取data的平滑曲线

这个函数会在create_dataloader中生成dataloader时调用： 整理函数 将image和label整合到一起 :return torch.stack(img, 0): 如[16, 3, 640, 640] 整个batch的图片 :r

同样在create_dataloader中生成dataloader时调用： 这里是yolo-v5作者实验性的一个代码 quad-collate function 当train.py的opt参数quad=True 则调用collate_fn4代替collate_fn 作

yolov5数据集没有用 自行使用 返回数据集的状态字典 包含: 每个类别的图片数量 每个类别的实例数量 Return dataset statistics dictionary with images and instances counts per split per cl

在voc.yaml中下载数据集 Multi-threaded file download and unzip function :params url: 下载文件的url地址 :params dir: 下载下来文件保存的目录 :params unzip: 下载后文件是

自行使用 生成分类数据集 将目标检测数据集转化为分类数据集 集体做法: 把目标检测数据集中的每一个gt拆解开 分类别存储到对应的文件当中 Convert detection dataset into classification dataset, with one directory

用于找到模型model中类型是mclass的层结构的索引 Finds layer indices matching module class 'mclass' :params model: 模型 :params mclass: 层结构类型 默认nn.Conv2d

没用到 不是很重要 将一个文件路径中的所有文件复制到另一个文件夹中 即将image文件和label文件放到一个新文件夹中 Flatten a recursive directory by bringing all files to top level

:return train: 一个tensor list 存放三个元素 [bs, anchor_num, grid_w, grid_h, xywh+c+20classes] 分别是 [1, 3, 80, 80, 25] [1, 3,

:params x[0]: [batch, num_anchors(3个yolo预测层), (x+y+w+h+1+num_classes)] 直接调用的是general.py中的non_max_suppression函数给model扩展nms功能

前向融合计算 减少推理时间

实现从google drive上下载压缩文件 :params id: url ?后面的id参数的参数值 :params file: 需要下载的压缩文件名

yolov5并没有使用直方图均衡化的增强操作 可以自己试试 直方图均衡化增强操作 Equalize histogram on BGR image 'img' with img.shape(n,m,3) and range 0-255 :params img: 要进行直方图均衡化的

没用到 当前文件是否在pip package(site-packages)文件里 Is file in a pip package?

用在LoadImagesAndLabels模块的__getitem__函数 替换mosaic数据增强 将九张图片拼接在一张马赛克图像中 loads images in a 9-mosaic :param self: :param index: 需要获取的图像索引 :

用在test.py中进行绘制前3个batch的ground truth和预测框predictions(两个图) 一起保存 将整个batch的labels都画在这个batch的images上 Plot image grid with labels :params images:

使用PIL在原图im上画一个bounding box :params box: 预测得到的bounding box [x1 y1 x2 y2] :params im: 原图 要将bounding box画在这个图上 array :params color: bo

没用到 和plot_labels作用重复 利用targets.txt xywh画出其直方图 Plot targets.txt histograms