问题1：怎么判断自己的魔改已经有人做过了呢？
问题2：问了自己的师姐，她说基本都有人做过了，而且1区也是这样的，那么既然自己的魔改已经有人做过了，还能在这个基础上继续往下做呢？
希望能够得到回复！
2条回答 默认 最新
关注【相关推荐】
- 请看👉 ：图解目标检测 之 YOLO 算法 最全原理详解
- 除此之外, 这篇博客: 目标检测 -- 基于训练好的YOLO深度学习网络模型实现自动辅助标注中的 一、总体思路 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
- 人工标注少量数据集
- 基于上述标注好的数据集，使用YOLO V5框架进行训练
- 基于训练好的网络权重文件进行对未标注的数据进行预测，得到txt预测结果文件
- 代码实现txt2xml
- 对生成的xml进行人工微调
如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^解决 无用评论 打赏举报
分享
- 2025-03-26 22:54清风AI的博客 形状自适应卷积：ARConv动态调整卷积核形状，提升不同长宽比目标的检测能力多级特征融合：改进的跳跃连接结构保留更多细节信息双重注意力机制：CBAM模块有效抑制背景干扰。
- 2025-03-24 09:34小白学视觉的博客 检测建筑立面附着物，如门、窗、阳台、空调单元、广告牌和...然而，它面临着对象分布不均、小目标检测困难和背景干扰等挑战。为了应对这些挑战，我们提出了BFA-YOLO，这是一个用于多视图图像中立面附着物检测的模型。
- 2025-06-11 09:55会AI的学姐的博客 YOLO11有3个分割头，能够多尺度对目标进行分割，但对微小目标分割可能存在分割能力不佳的现象，因此添加一个微小物体的分割头，能够大量涨点，map提升明显；
- 2023-10-07 19:20AI小怪兽的博客 本文提出了一种轻量级的基于注意力的网络COC-YOLO，引入了两个基于注意力的组件，即上下文变换器和全维动态卷积模块，以增强特征提取。
- 2024-04-14 00:35wisdom_zhe的博客 YOLOv5优化点，小目标检测
- 2024-10-12 09:07AI小怪兽的博客 引入多头检测器助力YOLO11，添加一个微小物体的检测头暴力提升小目标检测性能
- 2024-12-30 10:35AI小怪兽的博客 创新点在不同数据集表现是不一致的，针对创新点在自己数据集不涨点的问题，可以将创新点放在网络不同位置进行验证，而不是一味的放弃换来换去的思路。
- 2025-03-21 23:55清风AI的博客 YOLOv7-SAMSAM空间注意力增强特征空间定位能力通道-空间双分支结构平衡特征响应自适应特征融合机制优化多尺度特征轻量化注意力模块保持实时检测速度在COCO数据集测试中，mAP@0.5提升3.6%，小目标检测召回率...
- 2024-10-09 11:00datayx的博客 向AI转型的程序员都关注公众号机器学习AI算法工程通过本文的阅读，后续你可以结合自己的小目标检测数据集，在网络不同位置（Backbone、head、detect、loss等）进行魔改，实现小目标涨点和创新！！！1.小目标检测介绍...
- 2023-09-28 22:02AI小怪兽的博客 Gold-YOLO | 亲测在红外弱小目标检测涨点明显，map@0.5 从0.755提升至0.768
- 没有解决我的问题, 去提问
问题事件
创建了问题
3月19日