目标检测算法——YOLOv5/YOLOv7改进结合涨点Trick之ASFF（自适应空间特征融合）
目标检测算法——YOLOv5/YOLOv7改进之结合涨点ASFF_Detect（自适应空间特征融合）。🚀🚀🚀NEW！！！魔改YOLOv5/YOLOv7目标检测算法来啦 ~💡💡魔法搭配计算机视觉领域各类创新新颖且行之有效的网络结构，平均精度均值mAP涨点明显，实验效果也俱佳。有需要的小伙伴可
YOLO v5 代码精读（1） detect模块以及非极大值抑制
YOLO 是目前最先进的目标检测模型之一，现在博客上常有的是如何使用YOLO模型训练自己的数据集，而鲜有对YOLO代码的精读。我认为只有对算法和代码实现有全面的了解，才能将YOLO使用的更加得心应手。这里的代码精读为YOLO v5，github版本为6.0。版本不同代码也会有所不同，请结合源码阅读本
YOLOV8 | 最先进的 YOLO 模型训练自己的数据集(持续更新中)
YOLOv8是Ultralytics最新的基于YOLO的目标检测模型系列，提供最先进的性能。
目标检测算法——收藏|小目标检测难点分析（二）
目标检测算法——收藏|小目标检测难点分析（二）。可利用特征少无论是从基于绝对尺度还是基于相对尺度的定义，小目标相对于大/中尺度尺寸目标都存在分辨率低的问题。低分辨率的小目标可视化信息少，难以提取到具有鉴别力的特征，并且极易受到环境因素的干扰，进而导致了检测模型难以精准定位和识别小目标。
Jetson NX + yolov5 v5.0 + TensorRT加速+调用usb摄像头
TRT] Parameter check failed at: ../builder/Network.cpp::addScale::482, condition: shift.coun上一篇,测试效果如下本篇文章具体操作步骤如下就可以了，切记版本要对应 ，我产生这个错误的原因就是版本问题，成功转换但
关于自己制作目标检测数据集你想知道的一切（保姆级教程，含voc转coco）
前段时间我刚自己完成了一个目标检测数据集的制作，得到voc格式的数据之后再转coco，在这里记录下我的一些经验，帮助大家更好地学习，少走弯路！！
【目标检测实战学习】数据增强的几种方法：cutout，mixup，mosaic，rotate，HSV，随机抖动实战
最近在学习数据增强方面的东西，简单做个记录首先需要强调的是，数据增强是目标检测流程中的一个过程，通常是在对数据集完成打标签之后，在划分数据集之前，为了增大数据集的数量，获取更多的特征，采用的一种方式。所以，在实战的过程中，不仅仅要对图像进行操作，还要对已经打好的标签（VOC数据集的xml文件）进行同
Transformer | DETR目标检测中的位置编码position_encoding代码详解
Transformer不像RNN可以根据位置顺序接受和处理单词，所以为了得到词的位置信息，将位置信息添加到每个词的嵌入向量中，这称为位置编码。DETR中提供了两种编码方式，一种是正弦编码（PositionEmbeddingSine），一种是可以学习的编码(PositionEmbeddingLearn
基于yolov5框架实现人流统计（目标检测算法、目标追踪算法以及越界识别功能）+手机获取统计人数
基于yolov5框架实现人流统计（主要AI算法包括：目标检测算法、目标追踪算法以及越界识别功能）+手机获取统计人数（喵提醒）
目标检测论文解读复现【NO.21】基于改进YOLOv7的小目标检测
当前，目标检测技术趋于成熟，但小目标检测仍是研究的难点所在。针对目标检测过程中小目标像素少、覆盖面积小、信息少更容易出现漏检情况的问题，提出了一种改进的YOLOv7目标检测模型。
yolov7：win10下的安装配置以及训练自己的数据集（从VOC转换为YOLO）
Win10下yolov7的安装配置以及训练自己的数据集（从VOC转换为YOLO）
Jetson Xavier NX基于YOLOv5+CSI摄像头实现目标检测
Jetson Xavier NX基于YOLOv5+CSI摄像头实现目标检测
YOLOv8 目标检测 | 自定义数据集
本文介绍了使用用于目标检测的自定义数据训练 YOLOv8 模型。我正在使用来自 kaggle 的 yolo 格式的“Face Mask Dataset”，数据集链接如下：https://www.kaggle.com/datasets/maalialharbi/face-mask-dataset?re
基于轻量级CNN开发构建学生课堂行为识别系统
基于轻量级CNN开发构建学生课堂行为识别系统
什么是YOLOR？
因此，YOLOR 是一个统一的网络，可以一起处理隐性和显性知识，并产生由于该方法而改进的一般表示。YOLOR 是一种用于对象检测的最先进的机器学习算法，与 YOLOv1-YOLOv5 不同，原因在于作者身份、架构和模型基础设施的差异。YOLOR研究论文的标题为“你只学习一种表示：多个任务的统一网络”
YOLOv8详解 【网络结构+代码+实操】
YOLOv8 算法的核心特性和改动可以归结为如下：提供了一个全新的 SOTA 模型，包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 YOLACT 的实例分割模型。和 YOLOv5 一样，基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型，用于满足不同场景需求Backbo
完整复现YOLOv8:包括训练、测试、评估、预测阶段【本文源码已开源,地址在文章末尾】
（这里主要是在colab.research.google.com实现的，本地的配置也是类似的方法）YOLOv8是一种用于目标检测的深度学习算法。主要参考：https://github.com/ultralytics/ultralytics/blob/main/README.zh-CN.md。yolo
使用YOLOv5训练NEU-DET数据集
一、下载YOLOv5源码和NEU-DET(钢材表面缺陷)数据集YOLOv5源码NEU-DET(钢材表面缺陷)数据集这里的数据集已经经过处理了，下载即可若通过其他途径下载的原始数据集标签为xml格式，需要转化为txt格式XML转txt格式脚本二、数据集准备NEU-DET(钢材表面缺陷)数据集中一共有六
Python+Yolov8目标识别特征检测
这篇博客针对编写代码，代码整洁，规则，易读。 学习与应用推荐首选。
简单粗暴提升yolov5小目标检测能力
和yolov5最开始做的focus是类似的，对于输入的特征图（长宽为S），从左到右以及从上到下每scale个像素采样一次，假设scale=2，采样方式就和上图一样，经过这样采样的输出长宽就是S/2，最后将采样后的输出进行concatenate，通道数就是scale的平方，即4。左侧是yolov5原始
