ai皮带跑偏撕裂监测算法 yolov7

ai皮带跑偏撕裂监测系统算法基于yolov7网络模型人工智能视觉技术ai皮带跑偏撕裂监测算法模型自动识别现场画面中传送皮带撕裂、跑偏、偏移等情况立即告警抓拍存档同步回传后台。YOLO 的核心思想就是把目标检测转变成一个回归问题利用整张图作为网络的输入仅仅经过一个神经网络得到bounding box边界框 的位置及其所属的类别。YOLOv7 的发展方向与当前主流的实时目标检测器不同研究团队希望它能够同时支持移动 GPU 和从边缘到云端的 GPU 设备。除了架构优化之外该研究提出的方法还专注于训练过程的优化将重点放在了一些优化模块和优化方法上。这可能会增加训练成本以提高目标检测的准确性但不会增加推理成本。研究者将提出的模块和优化方法称为可训练的「bag-of-freebies」。

在架构方面E-ELAN 只改变了计算块的架构而过渡层transition layer的架构完全没有改变。YOLOv7 的策略是使用组卷积来扩展计算块的通道和基数。研究者将对计算层的所有计算块应用相同的组参数和通道乘数。然后每个计算块计算出的特征图会根据设置的组参数 g 被打乱成 g 个组再将它们连接在一起。此时每组特征图的通道数将与原始架构中的通道数相同。最后该方法添加 g 组特征图来执行 merge cardinality。除了保持原有的 ELAN 设计架构E-ELAN 还可以引导不同组的计算块学习更多样化的特征。

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 V10055.9% AP比基于 transformer 的检测器 SWINL Cascade-Mask R-CNN9.2 FPS A10053.9% 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%。

Adapter接口定义了如下方法

public abstract void registerDataSetObserver (DataSetObserver observer)

Adapter表示一个数据源这个数据源是有可能发生变化的比如增加了数据、删除了数据、修改了数据当数据发生变化的时候它要通知相应的AdapterView做出相应的改变。为了实现这个功能Adapter使用了观察者模式Adapter本身相当于被观察的对象AdapterView相当于观察者通过调用registerDataSetObserver方法给Adapter注册观察者。

public abstract void unregisterDataSetObserver (DataSetObserver observer)

通过调用unregisterDataSetObserver方法反注册观察者。

public abstract int getCount () 返回Adapter中数据的数量。

public abstract Object getItem (int position)

Adapter中的数据类似于数组里面每一项就是对应一条数据每条数据都有一个索引位置即position根据position可以获取Adapter中对应的数据项。

public abstract long getItemId (int position)

获取指定position数据项的id通常情况下会将position作为id。在Adapter中相对来说position使用比id使用频率更高。

public abstract boolean hasStableIds ()

hasStableIds表示当数据源发生了变化的时候原有数据项的id会不会发生变化如果返回true表示Id不变返回false表示可能会变化。Android所提供的Adapter的子类包括直接子类和间接子类的hasStableIds方法都返回false。

public abstract View getView (int position, View convertView, ViewGroup parent)

getView是Adapter中一个很重要的方法该方法会根据数据项的索引为AdapterView创建对应的UI项。