[系列文章]Nvidia Jetson TX2使用yolov5进行目标检测

[系列文章]Nvidia Jetson TX2使用yolov5进行目标检测文章目录[系列文章]Nvidia Jetson TX2使用yolov5进行目标检测前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言ultralytics公司开源的目标检测算法yolov5在最近一段时间十分火热，而这次正好碰上一个实际应用（分拣小车）的机会，便在此记录下全过程以供参考。其中目标检测的作用在

Rosetta_Leong

4724人浏览 · 2021-06-13 18:10:32

Rosetta_Leong · 2021-06-13 18:10:32 发布

前言

ultralytics公司开源的目标检测算法yolov5在最近一段时间十分火热，而这次正好碰上一个实际应用（分拣小车）的机会，便在此记录下全过程以供参考。其中目标检测的作用在于标出每一帧输入图像中垃圾的具体位置（框），并以该信息做PNP解算，得到相应需发送给下位机的速度指令，使其到达垃圾所在位置并捡起以进行后续操作。
实际效果如下：

Nvidia TX2实现垃圾目标检测（yolov5 + TensorRT）

文章列表

技术共进，成长同行——讯飞AI开发者社区

更多推荐

物联网智能项目之——智能家居项目的实现！

讯飞AI开发者社区

[深度学习]卷积神经网络

本实验基于Python和PyTorch框架比较了LeNet、AlexNet、VGG和ResNet四种经典CNN模型在FashionMNIST数据集上的表现，并重点研究了超参数调整对模型性能的影响。实验结果表明：1）对于所有模型，SGD优化器普遍比Adam表现更好；2）学习率在0.05左右时模型性能最佳；3）增加训练轮数可以提高准确率但会延长训练时间；4）批量大小对模型性能影响相对较小。此外，通过简