从零开始的机械臂yolov5抓取gazebo仿真（导航贴）
基于yolov5与Moveit!的机械臂拾取的教程导航帖
手把手带你调参Yolo v5（二）
这次主要解析源码中train.py文件中包含的参数。
【YOLO】P1 YOLO简介
YOLO简介，YOLO的相关介绍视频推荐~~
YOLOv5源码逐行超详细注释与解读（6）——网络结构（1）yolo.py
全网最详细的YOLOv5源码解读之网络结果yolo.py。全文4万字带你逐行注释，逐段讲解，小白也能看懂！
YOLOv5源码逐行超详细注释与解读（7）——网络结构（2）common.py
全网最详细YOLOv5源码详解之网络结构common.py。全文5万多字，带你学透网络结构！小白必备！
YOLOv5源码逐行超详细注释与解读（5）——配置文件yolov5s.yaml
全网最详细的YOLOv5源码解读之配置文件yaml。逐行注释，逐句讲解，一文带你了解yaml。小白必看！
抽烟行为识别预警系统 yolov5
抽烟行为识别预警系统基于yolov5网络模型智能分析技术，抽烟行为识别预警算法通过监测现场人员抽烟行为自动存档进行报警提示。我们选择当下YOLO卷积神经网络YOLOv5来进行抽烟识别检测。6月9日，Ultralytics公司开源了YOLOv5，离上一次YOLOv4发布不到50天。而且这一次的YOLO
目标检测算法——YOLOv5/v7/v8改进结合即插即用的动态卷积ODConv（小目标涨点神器）
ICLR2022 助力YOLO | 动态卷积ODConv：大幅提升小目标检测能力！！！
YOLOv5源码逐行超详细注释与解读（4）——验证部分val（test）.py
全网最详细的YOLO源码解读之验证部分val.py。全文近5万字，代码逐行注释，逐段精讲！小白0基础必看！
改进YOLO系列 | GhostNetV2: 用长距离注意力增强低成本运算 | 更换骨干网络之GhostNetV2
注意力增强了扩展特征，以提高表现能力。块是一个反向残差瓶颈，包含两个。
b站B导的yoloV7版本添加注意力机制
yolov7增加注意力机制（b导版本）
yoloV5模型中，x,s,n,m,l分别有什么不同
YOLOv5 的不同变体（如 YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x 和 YOLOv5n）表示不同大小和复杂性的模型。这些变体在速度和准确度之间提供了不同的权衡，以适应不同的计算能力和实时性需求。适用于需要极高准确度的任务，且具有强大计算能力（如 GPU）的设备。YOLOv5
YOLOv5源码逐行超详细注释与解读（3）——训练部分train.py
全网最详细的YOLOv5项目源码解读之训练部分train. py。全文近5万字！代码逐行注释，逐段讲解，小白入门必备！
YOLO系列模型改进指南
YOLO主流模型改进大杂烩！！！目前包含yolov5，yolov7，yolov8模型的众多改进方案，效果因数据集和参数而定，仅供参考。
番外篇 | 20+ 种注意力机制及代码 适用于YOLOv5/v7/v8（新增5种v7模板）
番外篇 | 20+ 种注意力机制及代码 适用于YOLOv5/v7/v8（新增5种v7模板🍀）
YOLOv5深度剖析
YOLOv5与历代YOLO算法相似，使用了网格的概念，将图像划分为多个网格，每个网格负责预测一个或多个物体，简单来说每个网格都可以产生预测框。网格可以产生预测框的原因也很简单。网格内存有几个（一般为三个）预测框的模板，也就是"anchor"每个anchor都有预设的宽高、坐标以及置信度。置信度表示网
FME+YOLOV7写DNF自动刷图脚本
这是一篇不务正业的研究，首先说明，这不是外挂！这不是外挂！这不是外挂！这只是用ai做图像识别、目标检测然后通过模拟键鼠实现的一个外部自动化脚本。求生欲极强！哈哈哈哈一、难点分析在不读取内存又想拿到信息的情况下，只有走图像识别一条路了。一个完整的刷图应该包括打怪，拾取物品，找门过图。那么YOLOV7的
深度学习部署(十九): CUDA RunTime API YOLOV5后处理cpu解码以及gpu解码
这是一个使用CPU和GPU解码YOLOv5，它可以在CPU和GPU上分别实现目标检测的加速，相比较于仅在CPU上运行的实现，GPU实现可以显著地提高检测速度。此外，该项目提供了一个端到端的实现流程，包括数据预处理、模型加载、前向推理、NMS等核心算法的实现，能够帮助我们深入理解目标检测的算法原理和实
全网独家首发｜极致版YOLOv7改进大提升（推荐）网络配置文件仅24层！更清晰更方便更快的改进YOLOv7网络模型
极致版YOLOv7改进大提升（推荐🌟🌟🌟🌟🌟）网络配置文件仅24层！更清晰更方便更快的改进YOLOv7网络模型
【2023-Pytorch-检测教程】手把手教你使用YOLOV5做电线绝缘子缺陷检测
绝缘子作为输电环节中的重要设备，在支撑固定导线，保障绝缘距离的方面有着重要作用。深度学习技术的大量应用，计算机运算性能的不断提高，为无人机准确识别和定位绝缘子，实时跟踪拍摄开辟了新的解决途径。本文对输电线路中绝缘子进行识别及定位，利用深度学习技术采取基于YOLOv5 算法的目标检测手段，结合绝缘子数
