【CV】在windows上安装和使用Yolo_mark
下载、安装、使用Yolo_mark面板中选择，把其中的默认路径更改为自己的opencv的相同文件夹的路径面板中选择，把其中的默认路径更改为自己的opencv的相同文件夹的路径，（右侧有小箭头下拉点击编辑可以更方便地更改），完成后点击确定保存。在VS中切换为，右键项目，点击，开始编译。编译完成后在文件
我的创作纪念日--AI小怪兽打怪进阶路
AI小怪兽：1）YOLO骨灰级玩家，YOLOv5、v7、v8优化创新，复现计算机视觉顶会，创新科研涨点小能手；2）就职于智能制造与数智创新企业，工业界项目落地、部署经验丰富，为半导体、3C等行业部署过几十个项目；
【人脸检测 FPS 1000+】ubuntu下libfacedetection tensorrt部署
【FPS 1000+】ubuntu下libfacedetection人脸检测 tensorrt加速部署
智能零售柜商品识别从零开始使用YOLOv5+PyQt5+OpenCV实现(支持图片、视频、摄像头实时检测)
智能零售柜商品识别,当顾客将自己选购的商品放置在制定区域的时候，能精准地识别每一个商品，从而能够返回完整地购物清单及计算顾客应付的实际商品总价格。已经处理了一份数据形成了对应的数据集。总数据量为5422张，且所有图片均已标注，共有113类商品。本数据集以对数据集进行划分，其中训练集3796张、验证集
基于YOLOv5的停车位检测系统（清新UI+深度学习+训练数据集）
基于YOLOv5的停车位检测系统用于露天停车场车位检测，应用深度学习技术检测停车位是否占用，以辅助停车场对车位进行智能化管理。在介绍算法原理的同时，给出Python的实现代码、训练数据集以及PyQt的UI界面。博文提供了完整的Python代码和使用教程，适合新入门的朋友参考，完整代码资源文件请转至文
[yolov5/yolov8修改]替换yolov5/yolov8中的主干网络为EfficientNetv2
针对yolov5和yolov8的主干网络进行替换。
使用FastAPI部署Ultralytics YOLOv5模型
在本文中，我们将介绍如何使用FastAPI的集成YOLOv5，这样我们可以将YOLOv5做为API对外提供服务。
YOLOv5改进系列（21）——替换主干网络之RepViT（清华 ICCV 2023|最新开源移动端ViT）
YOLOv5改进系列，替换主干网络之RepViT，清华 ICCV 2023，最新开源移动端ViT
Yolov7改进总结(1)——ACmix网络选取，卷积与自注意力的融合，涨点明显
阅读最新的论文，结合最有效的模块，改进yolo结构，实现高效涨点。
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。
