目录
train.py中的参数含义，可参考手把手调参最新 YOLOv7 模型 训练部分 - 最新版本（二）detect.py中的参数含义，可参考手把手调参最新 YOLOv7 模型 推理部分 - 最新版本（一）yolov7-tiny
参数量：6023106
GFLOPs：13.2
yolov7-main代码（直接下载的master根目录代码）yolov7-main根目录下先放上我的训练命令，然后讲解设置到的重要参数的含义：
建议：以下参数可以直接通过更改train.py的default值来设置，通过default值来设置的好处是：
1）直接运行train.py即可，不用每次都来重复设置这些值
2）避免以后回顾代码时忘记了自己参数是怎么设置的
3）忘记在哪里看到了，说是在pycharm中直接运行py文件会比在终端设置参数来运行的训练速度快一些；如果是在AutoDL上训练那就没啥影响，因为是必须在终端中用命令来运行的。但是我觉得因为前2点原因还是直接先在py中设置好default值比较方便
python train.py --weights yolov7-tiny.pt --cfg cfg/training/yolov7-tiny.yaml --data data/mydata.yaml --hyp data/hyp.scratch.p5.yaml --epochs 300 --batch-size 32 --workers 16 --name yolov7-tiny
其他的重要参数：
--adam：命令行中直接加上--adam则表示使用Adam优化器，否则默认使用SGD（如果是自制数据集，建议使用Adam[其实这个策略也是学到的，忘记从哪儿学到的了，可自行尝试一下]。训练yolov5时我对比了一下，使用SGD时loss值变化比较平缓，相反Adam会比较波动。但是采用Adam训练结束之后，各项指标值比如map0.5、FPS等会高一些）
--img-size：设置将图像缩放至img-size统一尺寸，再喂入数据网络训练（默认是[640, 640]，通常数据集采用这个尺寸就行了。如果是大分辨率图像且采用更大的网络，可适当调大img-size，保持是32的倍数就好。img-size值越大，占用显存就越多，训练速度就更慢，对显卡的要求就越高）
--rect：命令行中直接加上--rect则表示开启矩形推理（可以试试不开启和开启这个参数，然后对比训练结果。兴许开启之后会效果好一些）
--resume：命令行中加上--resume True则表示进行断点训练（需要开启这个命令通常是因为【训练突然中断or还想继续训练】，有需要的话可参考我这个博客进行更改👉yolov5ds-断点训练、继续训练、先终止训练并调整最终epoch（yolov5同样适用））
剩下的参数，可以参见我分享出来的训练参数解释链接
--weights：用于指明预训练权重文件位置（如果不需要预训练权重，则使default值为空即''即可，或者终端中命令参数写成--weights ''）
本篇文章是要使用yolov7-tiny，所以用到了yolov7-tiny.pt预训练权重。点击下载yolov7-tiny.pt
--cfg：用于指明模型的配置文件（这个要指明training文件夹下的yolov7-tiny，注意是training下的yaml，不是deploy下的，写成这样：--cfg cfg/training/yolov7-tiny.yaml）
--data：用来指明自己的配置数据来源，建议将data文件夹下的coco.yaml复制另存为mydata.yaml。命令中写成--data data/mydata.yaml
注意：数据集不用必须存放到当前项目中，只要在mydata.yaml文件中的train、val、test指明的txt文件包含了相应任务的图像绝对路径即可。（或者是直接在这里写上文件夹地址也可以，最好是绝对路径。images和labels排布如下所示）
如果已经存在如下的datasets数据集分布，则可以去我博客【脚本】生成已划分好训练集、验证集、测试集的数据集对应的train.txt、val.txt、test.txt【包含图像的绝对地址】调用代码生成所需txt文件：
datasets
├─images
│ ├─test
│ ├─train
│ └─val
├─labels
├─test
├─train
└─val
--hyp：超参数配置文件，我使用的是默认的data/hyp.scratch.p5.yaml文件（我将这个里面的数据增强给关掉了，yolov5中的在线数据增强我也关掉了，因为有人说过：自制的数据集本来复杂度就不够，开启在线数据增强的话，很容易训练效果不好，造成过拟合。但是我看还有一个超参数文件是data/hyp.scratch.tiny.yaml，不知道是不是专门用于tiny效果会好点，正在实验中[结果就是，这个tiny.yaml的超参数配置没有p5.yaml的效果好，map0.5降了2个点。还是就是用默认的超参数设置吧]）
关闭在线数据增强的方式就是，将15行以下的值全部改为0：
--epochs：训练的轮数，默认为300（如果是自制数据集，类别不多且图像张数不多、复杂度也不是太多的话，设置200~300肯定是够的了）
--batch-size：设置一次性选用多少张图像进行训练（下图引自手把手调参最新 YOLOv7 模型 训练部分 - 最新版本（二））
（通常是8、16、32、64，这取决于自己的GPU内存有多大，大的话就可以设置多点，小的话设置成1、2、4、6、24等，最好是2的倍数。通常论文里面设置成的32、64）
--workers：训练时使用的CPU线程数。如果是在windows上训练，一定要设置成0，不然会出错；如果是Linux系统，通常设置成8、16（设置得越大，训练可能会快点）
--name：设置结果保存文件夹的名称，默认是exp（建议使用这个参数，指明本次实验结果是训练什么模型，以免后续再回顾实验结果时搞不清楚，写成--name yolov7-tiny）
我想在Ruby中创建一个用于开发目的的极其简单的Web服务器(不，不想使用现成的解决方案)。代码如下:#!/usr/bin/rubyrequire'socket'server=TCPServer.new('127.0.0.1',8080)whileconnection=server.acceptheaders=[]length=0whileline=connection.getsheaders想法是从命令行运行这个脚本，提供另一个脚本，它将在其标准输入上获取请求，并在其标准输出上返回完整的响应。到目前为止一切顺利，但事实证明这真的很脆弱，因为它在第二个请求上中断并出现错误:/usr/b
网络编程套接字网络编程基础知识理解源`IP`地址和目的`IP`地址理解源MAC地址和目的MAC地址认识端口号理解端口号和进程ID理解源端口号和目的端口号认识`TCP`协议认识`UDP`协议网络字节序socket编程接口`sockaddr``UDP`网络程序服务器端代码逻辑：需要用到的接口服务器端代码`udp`客户端代码逻辑`udp`客户端代码`TCP`网络程序服务器代码逻辑多个版本服务器单进程版本多进程版本多线程版本线程池版本服务器端代码客户端代码逻辑客户端代码TCP协议通讯流程TCP协议的客户端/服务器程序流程三次握手（建立连接）数据传输四次挥手（断开连接）TCP和UDP对比网络编程基础知识
是否可以在不实际下载文件的情况下检查文件是否存在？我有这么大的(~40mb)文件，例如:http://mirrors.sohu.com/mysql/MySQL-6.0/MySQL-6.0.11-0.glibc23.src.rpm这与ruby不严格相关，但如果发件人可以设置内容长度就好了。RestClient.get"http://mirrors.sohu.com/mysql/MySQL-6.0/MySQL-6.0.11-0.glibc23.src.rpm",headers:{"Content-Length"=>100} 最佳答案
我在这方面尝试了很多URL，在我遇到这个特定的之前，它们似乎都很好:require'rubygems'require'nokogiri'require'open-uri'doc=Nokogiri::HTML(open("http://www.moxyst.com/fashion/men-clothing/underwear.html"))putsdoc这是结果:/Users/macbookair/.rvm/rubies/ruby-2.0.0-p481/lib/ruby/2.0.0/open-uri.rb:353:in`open_http':404NotFound(OpenURI::HT
我正在使用macos，我想使用ruby驱动程序连接到sqlserver。我想使用tiny_tds，但它给出了缺少free_tds的错误，但它已经安装了。怎么能过这个？~brewinstallfreetdsWarning:freetds-0.91.112alreadyinstalled~sudogeminstalltiny_tdsBuildingnativeextensions.Thiscouldtakeawhile...ERROR:Errorinstallingtiny_tds:ERROR:Failedtobuildgemnativeextension.完整日志如下:/System
深度学习12.CNN经典网络VGG16一、简介1.VGG来源2.VGG分类3.不同模型的参数数量4.3x3卷积核的好处5.关于学习率调度6.批归一化二、VGG16层分析1.层划分2.参数展开过程图解3.参数传递示例4.VGG16各层参数数量三、代码分析1.VGG16模型定义2.训练3.测试一、简介1.VGG来源VGG（VisualGeometryGroup）是一个视觉几何组在2014年提出的深度卷积神经网络架构。VGG在2014年ImageNet图像分类竞赛亚军，定位竞赛冠军；VGG网络采用连续的小卷积核（3x3）和池化层构建深度神经网络，网络深度可以达到16层或19层，其中VGG16和VGG
（本文是网络的宏观的概念铺垫）目录计算机网络背景网络发展认识"协议"网络协议初识协议分层OSI七层模型TCP/IP五层(或四层)模型报头以太网碰撞路由器IP地址和MAC地址IP地址与MAC地址总结IP地址MAC地址计算机网络背景网络发展 是最开始先有的计算机，计算机后来因为多项技术的水平升高，逐渐的计算机变的小型化、高效化。后来因为计算机其本身的计算能力比较的快速：独立模式：计算机之间相互独立。 如：有三个人，每个人做的不同的事物，但是是需要协作的完成。 而这三个人所做的事是需要进行协作的，然而刚开始因为每一台计算机之间都是互相独立的。所以前面的人处理完了就需要将数据
安全产品安全网关类防火墙Firewall防火墙防火墙主要用于边界安全防护的权限控制和安全域的划分。防火墙•信息安全的防护系统，依照特定的规则，允许或是限制传输的数据通过。防火墙是一个由软件和硬件设备组合而成，在内外网之间、专网与公网之间的界面上构成的保护屏障。下一代防火墙•下一代防火墙，NextGenerationFirewall，简称NGFirewall，是一款可以全面应对应用层威胁的高性能防火墙，提供网络层应用层一体化安全防护。生产厂家•联想网御、CheckPoint、深信服、网康、天融信、华为、H3C等防火墙部署部署于内、外网编辑额，用于权限访问控制和安全域划分。UTM统一威胁管理（Un
Linux操作系统——网络配置与SSH远程安装完VMware与系统后，需要进行网络配置。第一个目标为进行SSH连接，可以从本机到VMware进行文件传送，首先需要进行网络配置。1.下载远程软件首先需要先下载安装一款远程软件：FinalShell或者xhell7FinalShellxhell7FinalShell下载：Windows下载http://www.hostbuf.com/downloads/finalshell_install.exemacOS下载http://www.hostbuf.com/downloads/finalshell_install.pkg2.配置CentOS网络安装好
在神经网络方面，我完全是个初学者。我整天都在与ruby-fann和ai4r搏斗，不幸的是我没有任何东西可以展示，所以我想我会来到StackOverflow并询问这里的知识渊博的人。我有一组样本——每天都有一个数据点，但它们不符合我能够找出的任何明确模式(我尝试了几次回归)。不过，我认为看看是否有任何方法可以仅从日期预测future的数据会很好，而且我认为神经网络将是生成希望表达这种关系的函数的好方法.日期是DateTime对象，数据点是十进制数，例如7.68。我一直在将DateTime对象转换为float，然后除以10,000,000,000得到一个介于0和1之间的数字，我一直在将