yolov5使用知识蒸馏
本文介绍的论文《Distilling Object Detectors with Fine-grained Feature Imitation》即是基于 Fine-grained Feature Imitation 技术的目标检测知识蒸馏方法。该方法将 Fine-grained Feature Im
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YOLOv5开发构建汉字检测识别分析系统
基于轻量级YOLOv5开发构建汉字检测识别分析系统
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
对比yolov4和yolov3
总体而言，yolov4是尝试组合一堆tricks，获取得到的模型，该模型具有训练更快、模型更轻、精度更高的特性。
简述YOLOv8与YOLOv5的区别
yolov7,yoloX相关论文还没细看,yolov8就出来了。太卷了！YOLOv5和YOLOv8的区别。
yolo车牌识别、车辆识别、行人识别、车距识别源码(包含单目双目)
车牌内容识别时，通过计算候选车牌区域蓝色数值（均值）的最大值，确定最终的车牌区域。对于选定的车牌轮廓，首先进行粗定位，即对车牌进行左右边界回归处理，去除车牌两边多余的部分，然后进行精定位，即将车牌送入 CRNN 网络进行字符识别，利用左右边界回归模型，预测出车牌的左右边框，进一步裁剪，进行精定位。车
香橙派5使用NPU加速yolov5的实时视频推理（二）
香橙派5使用RKNN实现NPU加速yolov5实时视频推理，速度大概在100FPS左右
Windows下YOLO V5环境（pytorch，cuda）配置及部署
介绍了anaconda的安装以及pytorch的下载和yolov5的部署，还有可能会遇到的各种问题
简单易上手YOLOV5-deepsort（Windows）
YOLOV５模型训练以及deep sort目标追踪的简单上手操作，不同内容均有提示，并总结了一些运行过程中可能会出现的问题。
YOLOv5全面解析教程⑥：模型训练流程详解
欢迎Star、试用One-YOLOv5：https://github.com/Oneflow-Inc/one-yolov51结构项目预览2安装gitclonehttps://github.com/Oneflow-Inc/one-yolov5#clonecdone-yolov5pipinstall-r
VOC/YOLO/COCO数据集格式转换及LabelImg/Labelme/精灵标注助手Colabeler标注工具介绍
VOC/YOLO/COCO数据集格式转换及LabelImg/Labelme/精灵标注助手Colabeler标注工具介绍
yoloV5环境搭建与运行（windows+pytorch+kaggle）
环境：Windows+anaconda+pytorch云端GPU：kaggle。
【YOLO】YOLOv8训练自定义数据集（4种方式）
使用YOLOv8训练自定义数据集
YOLOv5源码逐行超详细注释与解读（2）——推理部分detect.py
全网最详细的YOLOv5之推理部分detect.py源码逐行注释，近四万字的超详细讲解！小白入门必看！
YOLOv8进行改进并训练自定义的数据集
YOLOv8进行改进并训练自定义的数据集
yolov5_reid【附代码，行人重识别，可做跨视频人员检测】
该项目利用yolov5+reid实现的行人重识别功能，可做跨视频人员检测。应用场景：可根据行人的穿着、体貌等特征在视频中进行检索，可以把这个人在各个不同摄像头出现时检测出来。可应用于犯罪嫌疑人检索、寻找走失儿童等。支持功能：1.reid训练2.人员标注3.人员查找(可做。
深度学习必备知识——模型数据集Yolo与Voc格式文件相互转化
在深度学习中，第一步要做的往往就是处理数据集,尤其是学习百度飞桨PaddlePaddle的小伙伴，数据集经常要用Voc格式的，比如性能突出的ppyolo等模型。所以学会数据集转化的本领是十分必要的。这篇博客就带你一起进行Yolo与Voc格式的相互转化，附详细代码！
深入探讨YOLOv8 网络架构
我们的基准测试是在英特尔的支持下开发的，是计算机视觉从业者的基准测试，旨在为以下问题提供更好的答案：“该模型在我的自定义数据集上的表现如何？由于我们知道这个模型会不断改进，我们可以将最初的 YOLOv8 模型结果作为基线，并期待随着新迷你版本的发布而进行未来的改进。下面的箱线图告诉我们，当针对 Ro
