【深度学习之YOLO8】环境部署

news2024/11/27 1:45:07

目录

  • 一、确定版本
    • CUDA toolkit、cuDNN版本
    • Python、PyTorch版本
  • 二、安装Python
    • 下载
    • 环境变量
    • 验证安装
  • 三、安装Anaconda
    • 安装
    • 环境变量
    • 验证安装
    • 创建conda虚拟环境
    • 常用命令
  • 四、安装CUDA toolkit
    • 下载
    • 环境变量
    • 验证安装
  • 五、配置cuDNN
    • 下载
  • 六、安装PyTorch(torch+torchversion+torchaudio)
    • 下载
    • 验证torch安装
  • 七、环境测试
    • 验证cuDNN
    • 验证YOLOv8
      • CLI
      • Python Code
  • 八、可能出现的问题
  • 九、附yolo命令参数解释

Ultralytics YOLOv8 是一款前沿、最先进（SOTA）的模型，基于先前 YOLO 版本的成功，引入了新功能和改进，进一步提升性能和灵活性。YOLOv8 设计快速、准确且易于使用，使其成为各种物体检测与跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。

  • Python SDK Download
  • Ultralytics YOLOv8 GitHub
  • PyTorch GitHub
  • NVIDIA CUDA toolkit Download
  • NVIDIA cuDNN Download
  • Anaconda Download
配置Python环境变量
创建conda环境
配置CUDA环境变量
配置cuDNN文件
下载安装PythonSDK
拉取yolo8 GitHub项目到本地
Anaconda安装
下载安装CUDA toolkit
下载PyTorch
下载cuDNN
环境测试

除了拉取代码不需要验证，其他都需要自己check下到底是不是真安装成功了

一、确定版本

CUDA toolkit、cuDNN版本

  1. 查看显卡的CUDA支持的最高版本，我的是12.2.79，后面安装的CUDA toolkit和cuDNN大版本不能超过它
    [外链图片转存失败,源站可能有防盗在这里插入!链机制,建描述]议将图片上https://传(imblog.csdnim-n/7h1UWj1209abda6844c1803cc47a4fc2.png =360x3505100)( =300x300)]
  2. 进PyTorch官网，查看支持的CUDA最高版本，我的torch是最高支持11.8
    在这里插入图片描述

由以上两点，得出安装的CUDA、cuDNN不能超11.8，那我后面这俩安装<=11.8

Python、PyTorch版本

torch、python各版本兼容情况表

torchtorchvisionPython
main / nightlymain / nightly>=3.8, <=3.11
2.00.15>=3.8, <=3.11
1.130.14>=3.7.2, <=3.10
1.120.13>=3.7, <=3.10
1.110.12>=3.7, <=3.10
1.100.11>=3.6, <=3.9
1.90.10>=3.6, <=3.9
1.80.9>=3.6, <=3.9
1.70.8>=3.6, <=3.9
1.60.7>=3.6, <=3.8
1.50.6>=3.5, <=3.8
1.40.5==2.7, >=3.5, <=3.8
1.30.4.2 / 0.4.3==2.7, >=3.5, <=3.7
1.20.4.1==2.7, >=3.5, <=3.7
1.10.3==2.7, >=3.5, <=3.7
<=1.00.2==2.7, >=3.5, <=3.7

上面有CUDA、cuDNN版本<=11.8

再在进PyTorch官网，预览一下DUDA<=11.8的有哪些

如果我用11.8的，看到PyTorch只有v2.0.0的，那么在上面 torch、python各版本兼容情况表 里可以得出：我的电脑CUDA、duDNN、PyTorch和Python互相兼容的py版本范围是3.8~3.11
所以，py版本不宜过高，每一个组件都有自己对其他组件的兼容范围，YOLO5的默认SDK版本是3.7，YOLO8的默认SDK版本是3.8

最终版本选择
名版本号
Python3.8.0
CUDA toolkit11.8.0
cuDNN11.x
PyTorch2.0.0
TorchAudio2.0.0
TorchVision0.15.0

二、安装Python

下载

已经有Python的需要卸载干净，去官网找自己对应版本的安装包(要卸载哪个就找哪个版本的exe安装包)，比如找3.8.0的，下载运行点击Uninstall进行卸载

电脑无Python残留，或没有安装过Python，进官网版本列表下载自己要的版本，一路确认即可，尽量是不要安在有中文的路径下，后面的安装也是

环境变量

将Python安装目录和里面的Scripts文件夹路径放在Path里

C:\Users\Administrator\AppData\Local\Programs\Python\Python38
C:\Users\Administrator\AppData\Local\Programs\Python\Python38\Scripts

验证安装

win+r后键入cmd确认，出现版本号

python -V
或者
python --version

在这里插入图片描述

三、安装Anaconda

一个易于安装的包管理器、环境管理器和 Python 发行版，包含 1,500 多个开源包，并提供 免费社区支持。Anaconda与平台无关，因此无论在Windows、macOS还是Linux上都可以使用它，与它类似的有pip。

安装

进Anaconda官网，点下载，无脑下一步即可

环境变量

将以下四个路径添加进Path
在这里插入图片描述

验证安装

conda -V

创建conda虚拟环境

后面的操作都是基于这个虚拟环境，最好是用管理员打开终端

CommandNotFoundError: Your shell has not been properly configured to use ‘conda activate
第一次激活环境，可能有这个错误，根据提示使用conda init，重启cmd。或者使用source activate env_name使环境可用。

# 创建虚拟环境
conda create -n yolov8 python=3.8.0
# 激活虚拟环境(切换至这个环境)
conda activate yolov8
# 查看已创建的虚拟环境
conda info -e

常用命令

# 查看版本
conda --version # 或者 conda -V
# 更新conda
conda update conda
# 更新Anaconda
conda update Anaconda
# 查看环境配置
conda config --show
# 查看安装了哪些包
conda list
# 查看Anaconda仓库有没有这个想要的包
conda search package_name
# 新增镜像channel
conda config --add channels mirrors_url
# 移除镜像channel
conda config --add channels mirrors_url
# 查看配了哪些镜像channel
conda config --show channels
# 设置清华镜像
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
# 设置bioconda
conda config --add channels bioconda
conda config --add channels conda-forge
# 设置搜索时显示通道地址
conda config --set show_channel_urls yes
# 创建虚拟环境
conda create -n env_name python=3.8
# 查看虚拟环境
conda env list #或conda info -e 或conda info --envs
# 激活虚拟环境
conda activate env_name
# 退出当前虚拟环境
conda deactivate
# 删除虚拟环境
conda remove -n env_name --all
# 安装包(在当前虚拟环境)
conda install package_name=package_version
# 更新包(在当前虚拟环境)
conda update package_name
# 删除包(在当前虚拟环境)
conda remove --name env_name  package_name
# 卸载包
conda uninstall package_name
# 增量卸载包(如果有虚拟环境在用，会跳过这个小包，就是不全卸载)
conda uninstall package_name --force
# 删除没有在用的包
conda clean -p
# 清理缓存
conda clean -y -all
# 变更Python版本
conda install python=3.5 #升级到最新版conda update python
# 查看配置文件地址 (默认`C:\Users\用户名\.condarc`)
conda info #user config file那行
# conda初始化
conda init

四、安装CUDA toolkit

下载

官网下载，跳转翻阅之前版本，找到CUDA-11.8.0下载

安装，注意下面两步，其他默认

环境变量

默认安装在：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8
Path加入：lib\x64文件夹、include文件夹（安装默认配了bin和libnvvp）。
在这里插入图片描述

验证安装

cmd窗口输入：nvcc -V
在这里插入图片描述
或者
cmd切换CUDA安装目录，进extras/demo_suite目录，执行里面的bandwidthTest.exe，再执行deviceQuery.exe，结果显示PASS即是成功
在这里插入图片描述

五、配置cuDNN

通俗点讲，cuDNN就是CUDA toolkit的一个补丁，深度学习需要这个补丁才能使用API驱动GPU的CUDA

下载

进官网，需要登陆NVIDIA账号，并且注册成开发者，完成后进入下载界面

解压，全选复制，黏贴到CUDA安装目录，全部"是"即可

## 验证配置 cuDNN的验证放在后面

六、安装PyTorch(torch+torchversion+torchaudio)

一种开源深度学习框架，以出色的灵活性和易用性著称。

下载

打开cmd，进入之前创建的虚拟环境yolov8，复制torch官网conda语句，安装PyTorch

在这里插入图片描述官网安装PyTorch语句在这，一定要看好自己需要哪个torch版本、cuda版本

conda activate yolov8
# -c pytorch可以去掉，即不指定pytorch官方channel下载，国内快一点
conda install pytorch==2.0.0 torchvision==0.15.0 torchaudio==2.0.0 pytorch-cuda=11.8 -c nvidia

如果有CondaHTTPError: HTTP 000 CONNECTION FAILED for url ...的错误， 修改conda配置文件，把下面内容全部替换掉原来的，重启命令行，进环境再install一下
配置文件默认地址C:\Users\{用户名}\.condarc

show_channel_urls: true
channels:
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
ssl_verify: false

channels：镜像源
ssl_verify：关闭SSL安全认证
show_channel_urls：从channel安装某个包时，显示channel的url

验证torch安装

官方验证，进cmd，进python环境，输入下面三行，看打印结果

import torch
x = torch.rand(5, 3)
print(x)

# 样例输出
tensor([[0.3380, 0.3845, 0.3217],
        [0.8337, 0.9050, 0.2650],
        [0.2979, 0.7141, 0.9069],
        [0.1449, 0.1132, 0.1375],
        [0.4675, 0.3947, 0.1426]])

在这里插入图片描述

七、环境测试

我使用的是IDEA，也可以用PyCharm

验证cuDNN

先不新建项目，打开之前拉取下拉的yolo8 GitHub项目，配下上面新建的conda环境yolov8，查看虚拟环境放哪了可以用conda info -e

配好后，索引可能需要更新一会，等待

打开后新建一个自定义文件夹，new一个py文件，贴上以下代码，运行查看结果

import torch
# 查看pytorch版本
print(f'pytorch版本: {torch.version.__version__}')
# 查看显卡GPU是否可用
print(f'GPU是否可用: {torch.cuda.is_available()}')
# 查看GPU可用数
print(f'GPU可用数: {torch.cuda.device_count()}')
# 查看CUDA版本
print(f'CUDA版本: {torch.version.cuda}')
# 查看CUDA-cuDNN版本
print(f'cuDNN版本: {torch.backends.cudnn.version()}')
quit()

如果你看到GPU可用为True，那cuDNN就是安装成功了，此时环境就是GPU版本的了

在这里插入图片描述

验证YOLOv8

打开yolo8项目找到requirements.txt安装插件，或者使用终端在项目内pip安装pip install -r requirements.txt
在这里插入图片描述
这时就可能用到这个官网中文README。使用方式有两种，命令行(CLI) 和 Python代码

CLI

在项目里有个图片ultralytics/assets/bus.jpg，可以使用yolov8n.pt模型对这个图片做一个简单的推理

yolo predict model=yolov8n.pt source='可以填你图片在你电脑的绝对路径'

在这里插入图片描述
推理结果保存在了runs\detect\predict，我在C:\Users\zhangjinke>执行的这个命令，所以文件在C:\Users\zhangjinke\runs\detect\predict
在这里插入图片描述

Python Code

from ultralytics import YOLO

# 加载模型
# model = YOLO("yolov8n.yaml")  # 从头开始构建新模型
model = YOLO("yolov8n.pt")  # 加载预训练模型（建议用于训练）

# 使用模型
# model.train(data="coco128.yaml", epochs=3)  # 训练模型
metrics = model.val()  # 在验证集上评估模型性能
results = model(source='ultralytics/assets/bus.jpg')  # 对图像进行预测
results.print()  # 打印结果
# success = model.export(format="onnx")  # 将模型导出为 ONNX 格式

第一次运行此代码需要下载coco的标签包，等待，结果例子如下，没有报错环境就部署成功了

Speed: 0.2ms preprocess, 3.1ms inference, 0.0ms loss, 0.7ms postprocess per image
Results saved to runs\detect\val7

image 1/1 D:\GitProjects\ultralytics\ultralytics\assets\bus.jpg: 640x480 4 persons, 1 bus, 23.9ms
Speed: 2.0ms preprocess, 23.9ms inference, 2.0ms postprocess per image at shape (1, 3, 640, 480)
Ultralytics YOLOv8.0.138  Python-3.9.13 torch-1.13.0+cu116 CPU (Intel Core(TM) i9-9900K 3.60GHz)

PyTorch: starting from runs\detect\train11\weights\best.pt with input shape (1, 3, 640, 640) BCHW and output shape(s) (1, 84, 8400) (6.2 MB)

ONNX: starting export with onnx 1.14.0 opset 16...
ONNX: export success  0.7s, saved as runs\detect\train11\weights\best.onnx (12.2 MB)

Export complete (2.2s)
Results saved to D:\GitProjects\ultralytics\runs\runs\detect\train11\weights
Predict:         yolo predict task=detect model=runs\detect\train11\weights\best.onnx imgsz=640 
Validate:        yolo val task=detect model=runs\detect\train11\weights\best.onnx imgsz=640 data=D:\GitProjects\ultralytics\ultralytics\cfg\datasets\coco128.yaml 
Visualize:       https://netron.app

进程已结束,退出代码0

八、可能出现的问题

  • 乱码提示需要运行pip install --no-cache "py-cpuinfo"，在这可能需要先更新pip，按照提示即可
    在这里插入图片描述
  • xxx

九、附yolo命令参数解释

GitHub官方对所有参数的解释

task

  • detect：指定任务为目标检测，即通过模型识别图像或视频中的物体，然后在图像上标注出它们的位置。
  • classify：指定任务为图像分类，即通过模型将图像分为不同的类别。
  • segment：指定任务为图像分割，即将图像分割为不同的区域，并为每个区域分配一个标签。

mode

  • train：指定模式为训练模式，用于训练模型。
  • predict：指定任务为预测，即使用训练好的模型对新的图像进行预测。
  • val：指定验证模式，用于评估模型在验证集上的性能。
  • export：指定任务为导出模型，即将训练好的模型导出到其他格式，如ONNX。

model

  • yolov8n.pt：指定模型的文件名或路径，其中yolov8n.pt表示模型的文件名。
  • yolov8n-cls.yaml：指定用于图像分类的模型配置文件的文件名或路径。
  • yolov8n-seg.yaml：指定用于图像分割的模型配置文件的文件名或路径。
KeyValueDescription
dataNone数据文件路径，例如 coco128.yaml
imgsz640图像尺寸，可以是一个标量或 (h, w) 的列表，例如 (640, 480)
batch16每个批次的图像数（-1 表示自动批处理）
save_jsonFALSE是否将结果保存为 JSON 文件
save_hybridFALSE是否保存标签的混合版本（标签 + 额外的预测结果）
conf0.001目标置信度阈值，用于检测
iou0.6NMS（非最大抑制）的交并比阈值
max_det300每张图像的最大检测数
halfTRUE是否使用半精度（FP16）
deviceNone运行模型的设备，例如 cuda device=0/1/2/3 或 device=cpu
dnnFALSE是否使用 OpenCV DNN 进行 ONNX 推断
plotsFALSE训练过程中是否显示图表
rectFALSE针对最小填充的每个批次进行矩形验证
splitval用于验证的数据集拆分，例如 ‘val’、‘test’ 或 ‘train’

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.coloradmin.cn/o/778278.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

JavaWeb课程设计项目实战(05)——项目编码实践2

JavaWeb课程设计项目实战(05)——项目编码实践2

版权声明 本文原创作者&#xff1a;谷哥的小弟作者博客地址&#xff1a;http://blog.csdn.net/lfdfhl 在本节教程中&#xff0c;我们完成项目的登录功能。 User 请在bean包中创建User类&#xff0c;代码如下&#xff1a; package com.cn.bean; /*** 本文作者&#xff1a;谷…
阅读更多...
离线安装mysql8

离线安装mysql8

一、先前往官网下载mysql8 下载地址&#xff1a; https://dev.mysql.com/downloads/ 选择Linux 二、删除Linux中的mysql&#xff08;如果有的话&#xff09;&#xff0c;上传安装包 1、先查看mysql是否存在&#xff0c;命令如下&#xff1a; rpm -qa|grep -i mysql 如果使用…
阅读更多...
集成了Eureka的应用启动失败，端口号变为8080

集成了Eureka的应用启动失败，端口号变为8080

问题 报错&#xff1a;集成了Eureka的应用启动失败&#xff0c;端口号变为8080。 原来运行的项目&#xff0c;突然报错&#xff0c;端口号变为8080&#xff1a; Tomcat initialized with port(s): 8080 (http)并且&#xff0c;还有如下的错误提示&#xff1a; RedirectingE…
阅读更多...
keil5编辑器主题配色美化使用(附六款暗黑主题)

keil5编辑器主题配色美化使用(附六款暗黑主题)

一、通过配置文件修改主题 1、在软件安装目下备份以下三个文件&#xff0c;更换主题只需要替换global.prop arm.propglobal.propglobal.prop.def 2、替换配置文件 将已经准备好的配色文件复制到\UV4下替换 https://download.csdn.net/download/qq_43445867/88064961 Theme1…
阅读更多...
通讯录--动态版

通讯录--动态版

简易的通讯录往往需要朴实的“烹饪”就能完成一道“美味的佳肴”。 我们需要一个通讯录&#xff0c;能够存储联系人的信息&#xff0c;能够对联系人的信息进行增删查改&#xff0c;查询&#xff0c;按姓名排序。相比对之前的三子棋、扫雷&#xff0c;有了一定的了解&#xff0c…
阅读更多...
git commit -m时候没有保存package.json等文件

git commit -m时候没有保存package.json等文件

项目场景&#xff1a; 提示&#xff1a;git add . 和 git commit -m "保存" 操作&#xff0c;没有保存package.json等文件。 解决方案&#xff1a; 1.确保 package.json 文件没有被列在 .gitignore 文件中。打开 .gitignore 文件&#xff0c;检查是否有类似于 packa…
阅读更多...
数据库运维——备份恢复

数据库运维——备份恢复

数据库备份&#xff0c;数据库为school&#xff0c;素材如下 1.创建student和score表 CREATE TABLE student ( id INT(10) NOT NULL UNIQUE PRIMARY KEY , name VARCHAR(20) NOT NULL , sex VARCHAR(4) , birth YEAR, department VARCHAR(20) , address VARCHAR(…
阅读更多...
交换一个整数二进制位的奇数位和偶数位

交换一个整数二进制位的奇数位和偶数位

目录 一、方案一 1.求待操作数的二进制序列 2.创建一个数组存放待操作数的二进制序列 3.交换二进制序列奇偶位 4.输出奇偶位交换之后的二进制序列 5.代码 二、方案二&#xff08;宏的实现&#xff09; 1.求待操作数二进制序列偶数位 2.求待操作数二进制序列奇数位 3.求待…
阅读更多...
目标检测——yoloV3案例

目标检测——yoloV3案例

目录 数据获取TFrecord文件什么是TFrecord文件将数据转换成TFrecord文件读取TFrecord文件数据处理 模型构建模型训练损失函数的计算正负样本的设定模型训练获取数据集加载模型模型训练 模型预测 数据获取 labellmage使用方法 TFrecord文件 什么是TFrecord文件 将数据转换成T…
阅读更多...
python暴力破解wifi密码

python暴力破解wifi密码

python破解WiFi密码 无图形化界面版图形化界面版 刚开始怀着是以为可以自动生成并匹配密码进行破解&#xff0c;然后才知道都需要使用密码本&#xff0c;破解都不知道要猴年马月去了。。。。。但可以研究理解一下代码过程 使用pycharm需要调试一下&#xff0c;比较麻烦&#xf…
阅读更多...
【Docker】Docker网络与存储(三)

【Docker】Docker网络与存储(三)

前言&#xff1a; Docker网络与存储的作用是实现容器之间的通信和数据持久化&#xff0c;以便有效地部署、扩展和管理容器化应用程序。 文章目录 Docker网络桥接网络容器之间的通信 覆盖网络创建一个覆盖网络 Docker存储卷 总结 Docker网络 Docker网络是在容器之间提供通信的机…
阅读更多...
速成版-带您一天学完python自动化测试(selenium)

速成版-带您一天学完python自动化测试(selenium)

Selenium是一套web网站的程序自动化操作解决方案。我们通过编写自动化程序&#xff0c;使得自动完成浏览器界面的相关操作&#xff0c;除了能够自动化的完成相关操作&#xff0c;还能从web页面获取相关信息&#xff0c;然后通过程序进行分析处理&#xff0c;本质上就是提升从网…
阅读更多...
微信小程序的微信一键登录与验证码登录

微信小程序的微信一键登录与验证码登录

验证码登录 <template><view class"wx-login"><view class"login-Box"><text class"title">欢迎登录</text><text class"subTitle">再就业男团系统</text><view class"login-Form…
阅读更多...
pytorch安装GPU版本 (Cuda12.1)教程: Windows、Mac和Linux系统快速安装指南

pytorch安装GPU版本 (Cuda12.1)教程: Windows、Mac和Linux系统快速安装指南

&#x1f337;&#x1f341; 博主 libin9iOak带您 Go to New World.✨&#x1f341; &#x1f984; 个人主页——libin9iOak的博客&#x1f390; &#x1f433; 《面试题大全》 文章图文并茂&#x1f995;生动形象&#x1f996;简单易学&#xff01;欢迎大家来踩踩~&#x1f33…
阅读更多...
java List的stream().collect()方法实战

java List的stream().collect()方法实战

文章目录 订单类测试类测试结果 这几天在做银联的银行卡对账时&#xff0c;一开始只使用参考号来确定一笔交易&#xff0c;但是这样是不严谨的&#xff0c;项目经理要求使用商户号、终端号、流水号、批次号、参考号五个数据项来确定唯一性&#xff0c;所以本次list转map是在此背…
阅读更多...
分布式调用与高并发处理 Nginx

分布式调用与高并发处理 Nginx

一、初识Nginx 1.1 Nginx概述 Nginx是一款轻量级的Web服务器、反向代理服务器&#xff0c;由于它的内存占用少&#xff0c;启动极快&#xff0c;高并发能力强&#xff0c;在互联网项目中广泛应用。Nginx 专为性能优化而开发&#xff0c;使用异步非阻塞事件驱动模型。 常见服务…
阅读更多...
小程序如何上传商品

小程序如何上传商品

​小程序作为一种便捷的电商平台&#xff0c;上传商品是非常重要的一步。本文将为你提供一个完整的小程序上传商品教程&#xff0c;帮助你轻松上架自己的商品。 一、进入商品管理页面 在个人中心点击管理入口&#xff0c;然后找到“商品管理”菜单并点击。 2. 点击“添加商品…
阅读更多...
【C++初阶】容器适配器模拟实现栈和队列（附源码）

【C++初阶】容器适配器模拟实现栈和队列（附源码）

一.容器适配器 其实在使用模板时&#xff0c;我们不仅可以使用类模板&#xff0c;还可以使用容器模板&#xff0c;这就是一个容器适配器&#xff0c;我们可任意给模板实例化不同的容器&#xff0c;然后就可以使用容器里的接口。 template<class T,class Containers> 我们…
阅读更多...
轮播图添加删除

轮播图添加删除

轮播图页面和对话框搭建 页面简单布局 <template><div id"banner"><el-space direction"vertical" :size"20" style"width: 100%"><h1>轮播图管理</h1><div style"text-align: right"&g…
阅读更多...
【论文阅读】DQnet: Cross-Model Detail Querying for Camouflaged Object Detection

【论文阅读】DQnet: Cross-Model Detail Querying for Camouflaged Object Detection

DQnet: Cross-Model Detail Querying for Camouflaged Object Detection DQnet&#xff1a;伪装目标检测中的跨模型细节查询 论文地址&#xff1a;https://arxiv.org/abs/2212.08296 这篇文章提出了一个交叉模型框架&#xff08;CNN-Transformer并行&#xff09;来检测伪装目…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023