教程

• PyTorch 基础
  • 快速入门
    • 数据准备
    • 构建模型
    • 模型参数优化
    • 保存模型
    • 加载模型
  • 自动微分
    • 张量、函数和计算图
    • 计算梯度
    • 禁用梯度追踪
    • 更多关于计算图的内容
    • 选读：张量梯度和雅可比积
• 目标检测
  • YOLO 系列
    • YOLO 简介
      • YOLO 是什么
      • YOLO 历史
        • YOLOv5
        • YOLOv4
        • YOLOv3
        • YOLOv2
        • YOLOv1
      • 模型描述
      • 训练
    • YOLO 教程
      • 自定义数据 📌
        • 训练
          • 创建 dataset.yaml
          • 创建标签
          • 组织目录
          • 选择一个模型
          • 训练
        • 可视化
          • 权重和偏差日志
          • 本地日志
        • 环境
        • 状态
      • Tips for Best Training Results
        • Dataset
        • Model Selection
        • Training Settings
        • Further Reading
      • Weights & Biases Logging 🆕
        • About Weights & Biases
        • Before You Start
        • First-Time Setup
        • Viewing Runs
        • Reports
        • Environments
        • Status
      • Supervisely Ecosystem 🆕
      • Table of Contents
      • 🔥 About Supervisely
      • Prerequisites
      • 🎉 YOLO v5 Apps Collection
      • For Developers
      • Contact & Questions & Suggestions
      • Multi-GPU Training
        • Before You Start
        • Training
          • Single GPU
          • Multi-GPU DataParallel Mode (⚠️ not recommended)
          • Multi-GPU DistributedDataParallel Mode (✅ recommended)
          • Notes
        • Results
        • FAQ
        • Environments
        • Status
        • Credits
      • PyTorch Hub
        • 以前的做法
        • 使用 PyTorch Hub 加载 YOLOv5
          • 简单例子
          • 实例细节
          • 推理设置
          • 输入通道
          • 类的数量
          • 强制重新加载
          • 训练
          • Base64 结果
          • JSON 结果
        • 自定义模型
      • TorchScript, ONNX, CoreML Export
        • Before You Start
        • Export a Trained YOLOv5 Model
        • TensorRT Deployment
        • Environments
        • Status
      • Test-Time Augmentation (TTA)
        • Before You Start
        • Test Normally
        • Test with TTA
        • Inference with TTA
          • PyTorch Hub TTA
        • Environments
        • Status
      • Model Ensembling
        • Before You Start
        • Test Normally
        • Ensemble Test
        • Ensemble Inference
        • Environments
        • Status
      • Model Pruning/Sparsity
        • Before You Start
        • Test YOLOv5x on COCO (default)
        • Test YOLOv5x on COCO (0.30 sparsity)
        • Environments
        • Status
      • Hyperparameter Evolution
        • Before You Start
        • 1. Initialize Hyperparameters
        • 2. Define Fitness
        • 3. Evolve
        • 4. Visualize
        • Environments
        • Status
      • Transfer Learning with Frozen Layers
        • Before You Start
        • Freeze Backbone
        • Freeze All Layers
        • Results
          • Accuracy Comparison
          • GPU Utilization Comparison
        • Environments
        • Status
• 笔记
  • 自动微分机制
    • autograd 如何编码历史
      • 已保存的张量
    • 局部禁用梯度计算
      • 设置 requires_grad
      • 模式
    • 使用 autograd 进行就地操作
      • 就地正确性检查
    • 多线程 Autograd
    • 复数 Autograd
    • 保存张量的挂钩
      • 注册已保存张量的钩子
      • 为保存的张量注册默认钩子
  • 目标检测
  • 扩展 PyTorch
  • THOP: PyTorch OpCounter
    • 知识点
    • 基本用法
    • 定义第三方模块的规则
    • 提高输出可读性
    • 基准
• 微调分割
  • 定义数据集
  • 为 PennFudan 编写自定义数据集
  • 定义模型
    • 1. 从预先训练的模型进行微调
    • 2 修改模型，以添加不同的骨干
    • 基于 PennFudan 数据集的实例分割模型
  • 把每个组件组合在一起