可视化界面的部分在window.py文件中，是通过pyqt5完成的界面设计，在启动界面前，你需要将模型替换成你训练好的模型，替换的位置在window.py的第60行，修改成你的模型地址即可，如果你有GPU的话，可以将device设置为0，表示使用第0行GPU，这样可以加快模型的识别速度嗷。
YOLO算法自问世以来，就以其卓越的性能和速度在目标检测领域占据着举足轻重的地位。从YOLOv5的模块化设计到YOLOv8的Anchor-Free点检测，再到YOLOv10的无需NMS训练，每一步的创新都在不断刷新我们对实时目标检测的认知。
hello，大家好，欢迎来到我的频道，这一段公司技术需要攻关，鲜有更新，望大家谅解，接下来一段时间我会更新针对目标检测、分类、分割相关的前沿论文，希望给大家在实际公司处理AI业务时提供一些帮助。今天介绍一下YOLO系列的网络变化，论文链接：https://www.mdpi.
目录一、引言二、CPU2.1 AI爆发，推动CPU需求提升2.2 CPU指令集架构之争2.3主要国产CPU厂商三、GPU3.1英伟达与CUDA生态3.2国内GPU厂商快速发展3.3兼容与自建生态之路四、FPGA4.1低时延与灵活性优势4.2 AI成增速最快下游应用市场4.
其实在之前，有尝试过使用mobilenetv2、mobilenetv3进行实验，但是效果并没有让我感到理想，原因也简单，在arm架构上，mb系列被shuffle系列一骑绝尘，这种优势并不是体现在精度上，事实上，它们的精度两两比较不会超过3个百分点。
