超详细的YOLOv8项目组成解析：一站式指南了解其架构与组件
最近的更新是关于“Segment ONNX Runtime example”的，意味着它添加了对ONNX运行时的支持，特别是针对模型分割功能的支持。这些文件和文件夹共同工作，以确保 YOLOv8 的文档是全面的、多语言的，并且始终保持最新。这些示例涵盖了从基本的对象检测到更复杂的图像分割和视频处理任
毕业设计-基于深度学习的老年人跌倒行为识别系统 人工智能机器视觉 YOLO 机器学习
毕业设计选题-基于深度学习的老年人跌倒行为识别系统利用先进的计算机视觉技术和深度学习算法，能够准确地识别老年人跌倒的行为模式，及时发出警报并提供紧急救援。深入探讨了系统设计原理、数据集的构建与处理方法，以及模型训练与优化过程。在不同环境下展现出出色的老年人跌倒行为识别性能，具备广泛的应用前景。为计算
人工智能任务4-读懂YOLOv5模型的几个灵魂拷问问题，深度理解 YOLOv5模型架构
大家好，我是微学AI，今天给大家介绍一下人工智能任务4-读懂YOLOv5模型的几个灵魂拷问问题，深度理解 YOLOv5模型架构。YOLOv5是一种高效且精确的目标检测模型，由ultralytics团队开发。它采用了轻量级的网络结构，能够在保持高性能的同时降低计算复杂度。模型由三个主要部分组成：骨干网
【RT-DETR有效改进】利用EMAttention加深网络深度提高模型特征提取能力（特征选择模块）
本文给大家带来的改进机制是EMAttention注意力机制，它的核心思想是，重塑部分通道到批次维度，并将通道维度分组为多个子特征，以保留每个通道的信息并减少计算开销。EMA模块通过编码全局信息来重新校准每个并行分支中的通道权重，并通过跨维度交互来捕获像素级别的关系。本文改进是基于ResNet18、R
毕业设计：基于深度学习的绝缘子缺陷检测系统 人工智能 YOLO 计算机视觉
基于深度学习的创新绝缘子缺陷检测系统，该系统结合了深度学习和计算机视觉技术，能够有效地检测绝缘子的缺陷目标。通过对比实验，我们发现该系统相比传统方法具有更高的准确性和鲁棒性。这项毕业设计为计算机毕业生提供了一个有意义的研究课题，并开拓了一个创新的方向，为未来的绝缘子检测技术发展提供了新的思路和方法。
【毕业设计选题】基于深度学习的中草药检测识别系统 人工智能 python 计算机视觉 YOLO
毕业设计：基于深度学习的中草药识别检测系统的毕业设计。该系统利用深度学习模型和计算机视觉技术，对中草药进行准确识别和检测。通过对中草药叶片图像进行特征提取和分类，系统能够快速、有效地识别中草药的种类。这项毕业设计为计算机科学领域提供了一个创新的方向，将深度学习与计算机视觉技术相结合，为毕业生提供了一
yolov5 opencv dnn部署 github代码
yolov5 opencv dnn部署 github代码
三、yolov8训练结果查看和模型预测
yolov8模型预测
[嵌入式AI从0开始到入土]12_yolov5在昇腾上应用
本文参考案例程序，完善了yolov5在Atlas200DK上的推理应用代码
海思SD3403,SS928/926,hi3519dv500,hi3516dv500移植yolov7,yolov8（7）
第一个和第二个值分别对应 阈值设置nms_threshold，IOU_score_threshold，具体值与模型本身有关，如果叠框明显就调高IOU值，如果误报很多就调高NMS值。初始化时还需要配置一下IOU与NMS的阈值，在模型导出时其实在代码里已经有默认值，但是在这里初始化过程中会更新对应的阈值
【保姆级教程】【YOLOv8替换主干网络】【1】使用efficientViT替换YOLOV8主干网络结构
【保姆级教程】【YOLOv8替换主干网络】【1】使用efficientViT替换YOLOV8主干网络结构
科技提升安全，基于YOLOv5系列模型【n/s/m/l/x】开发构建商超扶梯场景下行人安全行为姿态检测识别系统
科技提升安全，基于YOLOv5系列模型【n/s/m/l/x】开发构建商超扶梯场景下行人安全行为姿态检测识别系统
【YOLOv8】实战三：基于LabVIEW TensorRT部署YOLOv8
本文主要想和各位读者分享YOLOv8使用TensorRT工具包在LabVIEW中的部署。
[嵌入式AI从0开始到入土]9_yolov5在昇腾上推理
根据官方文档，yolov5在Atlas200Dk上的推理踩坑实录
yolov8 tracking编码为web 和 rtsp流输出
使用python pytorch yolov8 track进行reid 识别后将识别后的图片通过websocket 协议和内存共享发送到web端和 rtsp server端，可通过web显示或者通过rtsp 客户端拉流
【开源】轻松实现车牌检测与识别：yolov8+paddleocr【python源码+数据集】
【开源】轻松实现车牌检测与识别：yolov8+paddleocr【python源码+数据集】
YOLOv5引入FasterNet主干网络，目标检测速度提升明显
目标检测是计算机视觉领域的重要任务，它在现实生活中有着广泛的应用，如自动驾驶、安防监控、人脸识别等。目标检测算法旨在从图像或视频中检测出感兴趣的目标，并确定其位置和类别。目标检测算法可以分为两个主要类别：基于区域的方法和单阶段方法。基于区域的方法（Region-based methods）先通过区域
一种基于YOLO改进的高效且轻量级的表面缺陷检测网络， NEU-DET和GC10-DET涨点明显
一种基于YOLO改进的高效且轻量级的表面缺陷检测， 在NEU-DET和GC10-DET任务中涨点明显
在英特尔AI开发板上用OpenVINO NNCF优化YOLOv7，2.15倍性能提升
在工程和学习中推荐使用NNCF等OpenVINO工具来优化模型，从而在不损失精度的前提下提高推理性能，更好的服务于场景使用。
YOLOv8改进 | 2023主干篇 | FasterNeT跑起来的主干网络（ 提高FPS和检测效率）
本文给大家带来的改进机制是FasterNet网络，将其用来替换我们的特征提取网络，其旨在提高计算速度而不牺牲准确性，特别是在视觉任务中。它通过一种称为部分卷积（PConv）的新技术来减少冗余计算和内存访问。这种方法使得FasterNet在多种设备上运行速度比其他网络快得多，同时在各种视觉任务中保持高
