一、前期理论学习
绘制思维导图
手把手教你搭建自己的yolov5目标检测平台
大白讲AI_讲解YoloV3和V4
二、使用YOLO（复现yolov5）
创新的基础是搞清楚，跑通现有的代码
1、环境搭建
搞清楚Anaconda和pyCharm是干嘛用的，并安装下载（可视化的anaconda好香！！我好爱！！）安装教程见下：（这个视频系列全学完）Python+Anaconda+PyCharm的安装和基本使用【适合完全零基础】不只是教你如何安装，还告诉你为什么这么安装
在pyCharm中选择Python解释器，添加虚拟环境（13min47s开始）：
Python学习中Anaconda和Pycharm的正确打开方式
2、认识YOLO代码中的文件并简单运行（detect.py）
跟着YOLO代码的视频讲解：（只是跟着这个视频学习训脸和使用代码）
yolov5安装识别训练
（这个视频从6分13s开始学，可视化的anaconda可以直接在可视化界面里面点击来实现6分29s之前的这些命令行代码，好适合我这种小小小白555555555555 ）
原始yolov5下载位置：
https://github.com/ultralytics/yolov5
安装需要的库
pip install -r requirements.txt
这个时候utile爆红，解决方法如下：
【WARNING:Ignore distutils configs in setup.cfg due to encoding errors】完美解决
yolov5踩坑记录（1）No module named ‘utils‘
pycharm中将文件目录标记为sources root和sys.path.append()效果一样
如果缺失权重文件，从这里找：
这里写着使用各种权重文件后的效果
这些都是可下载的权重文件，可以对照着上面的各种使用效果进行下载。
（下载完毕放在根目录下面）
这里的三张图是我们测试会用到的图
运行detect.py
运行完成，结果放在如下位置：
（对动漫人物识别效果不是很好，不过不重要，至少代码跑通了的，下面就是找数据集训练自己的模型文件）
3、模型训练（train.py）
数据集下载：
【数据集】计算机视觉，深度学习，数据挖掘数据集整理
AI领域八大项目刚需数据集（yolov5口罩检测-火灾监测-手势识别-行人摔倒检测-车道线检测-钢铁缺陷检测-眼疾识别数
NUS Hand Posture Dataset II下载地址（这是手势识别很多论文中都用到的数据集，目前还在找下载资源）：NUS 手部姿势数据集 II
目前训练用的数据集为：YOLOV5手势识别数据集+代码+模型 2000张标注好的数据+教学视频
正在进行训练，现在先浅训练50轮，但是暂时还没有跑完数据，可能明天早上就可以跑完出结果了
以后可能会用到的：
【Yolov5】1.认真总结6000字Yolov5保姆级教程
上次听讲座的时候听到MindSpore里面也有与YOLO相关的信息，简单搜索了一些资料信息，想着等数据跑完之后在其基础上进行训练创新：
mindspore（二）-yolov5的训练、改进及MindConverter的使用
还有就是看了一些YOLO最新消息，美团出了YOLOv6，他的速度很快很快，
其改进如下：
1、其引入了 RepVGG style 结构，对网络起到了很大的提升效果，我们基于以上 Rep 算子设计了一个高效的Backbone，替换掉了 YOLOv5 采用的 CSP-Backbone，够高效利用硬件（如 GPU）算力的同时，还具有较强的表征能力。同时对整体 Neck 中的算子进行了调整，在硬件上达到高效推理的同时，保持较好的多尺度特征融合能力，我感觉这些网络改进都很棒，但是目前我还并不会用一个网络去改进另一个网络的代码实现，我也正在看相应的关于Rep的内容。
2、为进一步提升检测精度，我们吸收借鉴了学术界和业界其他检测框架的先进研究进展：Anchor-free 无锚范式 、SimOTA 标签分配策略以及 SIoU 边界框回归损失。（这些我都不懂，还在学）
还有就是看了哈工大卢迪老师的一篇文章，是：基于改进YOLOv4-tiny算法的手势识别，在这篇文章中有提到YOLOv4-tiny算法更加适用于移动端，说这种算法有更快的检测速度，我也想晚点跑一下，看看它和YOLOv6谁更好一些，这篇文章中有提到，做以下改进也可以提升运算的速度：
1、K-means++聚类算法（版，K-means++算法逐个选取k个簇中心，离其他簇中心越远的样本点越有可能成为下一个簇中心，然后计算目标与簇中心的距离，并把它们分配给最近的簇中心成为k个簇中心，重复计算更新簇中心，直到簇中心不再改变，得到最终的聚类结果）对手势数据集NUS-II进行重新聚类，得到更适合检测手势的先验框。
2、使用ncnn框架进行模型部署。腾讯优图实验室的ncnn是一个为手机端极致优化的高性能神经网络计算框架。(MIndspore也说是可以部署到手机端的框架，不知道他俩谁好一点，得试)
