主干网络篇 | YOLOv8 更换主干网络之 VanillaNet |《华为方舟实验室最新成果》
华为方舟 2023🏅 极简神经网络模型
YOLOv8环境安装以及在pycharm上运行Windows版
YOLOv8yyds
目标检测 YOLOv5的loss权重，以及与图像大小的关系
YOLOv5中有三个损失分别是 box, obj, cls在超参数配置文件hyp.*.yaml中可以设置基础值，例如训练使用时，在train.py进行更新可以看到损失与nl（number of detection layers，检测层的层数，这里是3）和图像尺寸相关，与layers相关这个好理解，是
YOLO数据集实现数据增强的方法（裁剪、平移 、旋转、改变亮度、加噪声等）
数据集样本太少怎么办？数据集优质图像不够怎么办？如何做到更好的数据预处理？一文带你学会数据增强，还可实现带标签的扩充。
YOLOv5算法改进（8）— 替换主干网络之MobileNetV3
MobileNetV3是由Google团队在2019年提出的一种卷积神经网络结构，其目标是在保持高性能的同时减少计算延时。MobileNetV3相比于前一版本（MobileNetV2）在性能上有明显的提升。
YoloV8改进策略：FastVit与YoloV8完美融合，重参数重构YoloV8网络（全网首发）
FastViT是一种混合ViT架构，它通过引入一种新型的token混合运算符RepMixer来达到最先进的延迟-准确性权衡。RepMixer通过消除网络中的跳过连接来降低内存访问成本。FastViT进一步应用训练时间过度参数化和大核卷积来提高准确性，并根据经验表明这些选择对延迟的影响最小。实验结果表
目标检测与跟踪 （3）- TensorRT&YOLO V8性能优化与部署测试
YOLOv8 算法的核心特性和改动可以归结为如下：1. 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骨干
用C++部署yolov5模型
要在C语言中部署YoloV5模型，可以使用以下步骤：安装C语言的深度学习库，例如Darknet或者ncnn。下载训练好的YoloV5模型权重文件(.pt文件)和模型配置文件(.yaml文件)。将下载的权重文件和配置文件移动到C语言深度学习库中指定的目录下。在C语言中编写代码，使用深度学习库加载Yol
yolov5识别cf火线敌人（FPS类的AI瞄准）详细教程二
教程第二部分到这就结束了，目前已经可以正常的使用了，后面我如果有时间会写如何将它集成为一个小型的app，更方便更改一些参数，比如瞄准范围，自动开枪速率，是否开启实时检测，切换瞄准头部还是身体等。
YOLO目标检测——真实和人工智能生成的合成图像数据集下载分享
YOLO目标检测——真实和人工智能生成的合成图像数据集下载分享
AI学习笔记二：YOLOV5环境搭建及测试全过程
若该文为原创文章，转载请注明原文出处。记录yolov5从环境搭建到测试全过程。
yolov5识别cf火线敌人（FPS类的AI瞄准）详细教程一
因为自己的研究方向也是深度学习方向，而且平时闲的时候还喜欢玩会cf火线等枪战游戏，就想着找一个大模型做一个对游戏敌人的识别的功能，一切实现之后就想把自己的心得写出来，我打算分俩个教程分别细述整个学习以及操作的过程，教程一主要包括了yolov5的基本使用，制作并训练自己的数据集，第二个教程包括对yol
YOLOv8——CV界的XGBoost
yolov8是ultralytics公司于2023年1月开源的anchor-free的最新目标检测算法框架。封装在ultralytics这个库中：https://github.com/ultralytics/ultralytics它具有以下优点：1，性能速度领先：借鉴了之前许多YOLO版本的tric
用Docker搭建yolov5开发环境
用Docker搭建yolov5开发环境,小白可以上手。
windows下配置pytorch + yolov8+vscode，并自定义数据进行训练、摄像头实时预测
window下使用yolo训练自己的数据，并通过摄像头实时图像检测
【目标检测】理论篇（2）YOLOv3网络构架及其代码实现
Yolov3的网络构架图和代码实现
政务大厅人员睡岗离岗玩手机识别算法
人员睡岗离岗玩手机识别算法通过python+yolo系列网络框架算法模型，人员睡岗离岗玩手机识别算法利用图像识别和行为分析，识别出睡岗、离岗和玩手机等不符合规定的行为，并发出告警信号以提醒相关人员。Python是一种由Guido van Rossum开发的通用编程语言，它很快就变得非常流行，主要是因
【YOLOv5】1.搭建Pycharm+Python+yolov5环境
笔者也是YOLO-V5初学者，在使用YOLO-V5做一个目标识别和自动按键的项目的过程中遇到了不少的问题，故将自己的心得笔记记录下来分享。主要分享的是思路和步骤，许多细节问题如果遇到了一般也都能在网上找到解决方法。
模型量化(6):Yolov5 QAT量化训练
从模型量化(5): 敏感层分析可以看出来，对于yolov5-nano模型，对最后一层detect层进行敏感层分析的时候,发现对检测精度的影响比较大。所以在PTQ/QAT在进行量化时，会跳过这些敏感层。QAT微调的模型，就是PTQ在校准后的模型。从上一小节可以看出如果PTQ中模型训练和量化是分开的，而
在yolov5的detect中我该如何调用第三方摄像头？
要在 YOLOv5 的 detect 中调用第三方摄像头，你可以使用 OpenCV 库中的 VideoCapture 类来读取摄像头的视频流。你可以这样做：首先，安装 OpenCV 库。然后，在你的代码中包含以下头文件：#include <opencv2/opencv.hpp>#incl
