【YOLOv5模型部署】——TensorRT推理引擎安装与使用&基于Flask的项目部署
算法要落地到实际应用，这就叫模型部署！模型部署是将训练好的机器学习或深度学习模型集成到实际应用中，使其能够对外提供服务的过程。主要包括在线部署和离线部署两种。
AI：291-深度融合BiFPN与RepViT | YOLOv8改进的前沿探索与实践
YOLOv8作为YOLO系列的最新版本，通过多项技术改进提升了检测精度和速度。YOLOv8的核心架构包括主干网络、特征金字塔网络（FPN）、以及检测头。尽管其性能已经非常强劲，但进一步的改进空间仍然存在。BiFPN（Bidirectional Feature Pyramid Network）是一种用
AI：290-提升YOLOv8性能 | EfficientNetV2均衡缩放网络在特征提取中的应用与改进
YOLO（You Only Look Once）系列模型以其高效的实时目标检测能力而闻名。YOLOv8作为该系列的最新版本，通过引入改进的网络结构和算法优化，进一步提升了目标检测的性能。然而，YOLOv8在特征提取阶段的网络结构仍有改进的空间。EfficientNetV2是一种基于均衡缩放的卷积神经
AI：289-增强YOLOv8目标检测性能 | 通过EfficientNetV1改进特征提取层
EfficientNetV1的核心思想是通过均衡缩放（Compound Scaling）来优化网络结构。均衡缩放方法同时调整网络的深度、宽度和分辨率，以便在计算资源有限的情况下实现最佳性能。EfficientNetV1使用了一个高效的基本块——MBConv（Mobile Inverted Bottl
AI：293-提升YOLOv8性能 | 集成iRMB倒置残差块注意力机制的轻量化改进
iRMB倒置残差块是一种高效的卷积模块，主要用于提高模型的表达能力和计算效率。它结合了倒置残差块和注意力机制，使得模型能够更好地关注关键区域并减少计算量。倒置残差块（Inverted Residual Block）：通过深度可分离卷积减少计算复杂度，同时保持较高的特征表达能力。注意力机制：通过权重调
在国产芯片上实现YOLOv5/v8图像AI识别-【2.5】yolov8使用C++部署在RK3588更多内容见视频
本专栏主要是提供一种国产化图像识别的解决方案，专栏中实现了YOLOv5/v8在国产化芯片上的使用部署，并可以实现网页端实时查看。根据自己的具体需求可以直接产品化部署使用。
AI：294-YOLOv8主干网络改进 | 基于ConvNeXtV2全卷积与掩码自编码器的深度优化与实现（附代码解析）
ConvNeXtV2是ConvNeXt系列的改进版，通过优化卷积层和掩码自编码器技术，进一步提高了网络的表示能力。全卷积掩码自编码器（FCM）在处理高维特征图时具有出色的性能，尤其是在细粒度特征提取和上下文信息建模方面。YOLOv8引入了一些新技术，例如更加优化的主干网络和增强的检测头。其核心思想是
AI：295-深入改进YOLOv8小目标检测 | 基于Gold-YOLO的Neck结构优化与应用
在目标检测领域，YOLO (You Only Look Once) 系列凭借其实时性和高效性得到了广泛应用。然而，YOLO 在处理小目标检测时，往往表现出一定的局限性。为了解决这一问题，Gold-YOLO 提出了针对小目标检测的改进策略。本文将详细探讨如何利用 Gold-YOLO 的设计理念，优化
YOLOv8入门 | 从环境配置到代码拉取（下载）再到数据集划分又到实验运行
YOLOv8环境配置，数据集划分，启动命令
用定制开发板通过vitis ai 2.0部署自己训练的yolov3（pytorch框架）
本文介绍如何用定制开发板通过vitis ai 2.0部署自己训练的yolov3（pytorch框架）
AI：284-扩散模型深度解析-从图像生成原理到与YOLO的创新融合
扩散模型近年来在生成任务上表现出了卓越的效果，尤其是在图像生成领域。这篇文章将介绍扩散模型的核心思想，从高斯噪声到生成图像的整个过程，并结合具体的数学原理来解释这一方法的工作机制。最后，我们将展示一个基于Python的代码实例来演示扩散模型的实现。
AI：268-基于FasterNeT的YOLOv8主干网络改进 | 提升FPS与检测效率的深度优化
FasterNeT 是一种新型轻量化神经网络架构，旨在在保证精度的同时极大地提高推理速度。其通过一系列结构创新（如 Group Convolution 和 LayerNorm）减少了计算复杂度，同时保持了较高的模型性能。将 FasterNeT 作为 YOLOv8 的主干网络可以显著提高 YOLOv8
AI：270-基于ASFF改进YOLOv8检测头的多尺度特征融合方法详解与实战
ASFF是一种基于自适应特征融合的策略，能够动态调整不同尺度特征的融合权重，适应场景中不同大小的目标。传统的YOLOv8检测头使用固定的特征融合策略，而ASFF则通过引入学习参数，使得网络能够根据输入图像的特征自适应地选择不同尺度特征的重要性。这一策略对于检测小目标或尺度变化大的目标具有显著优势。本
#Datawhale #AI夏令营 #针对城市管理中违规行为的智能识别系统——YOLO解决方案 (2)
这篇文章延续上次对跑通Baseline的分享与讲解，对模型进行深入解读，并初步探讨进阶方案。本篇文章是对task2任务的详细讲解，进行了进阶学习、思路拓展和初步模型优化，后续会继续深化学习，尝试更多模型优化方案，持续分享。
AI：285-YOLOv8改进深度解析 | DynamicHead检测头的原论文复现与性能评估
DynamicHead是YOLOv8中一个重要的改进组件，主要用于提高检测头的灵活性和适应性。该改进通过动态调整卷积核和特征图，从而更好地适应不同大小和形状的目标物体。DynamicHead的核心思想是根据输入图像的特征自适应地调整检测头的参数，以提高检测性能。
AI：281-提升YOLOv8检测效率 | 集成FasterNeT主干网络以提高FPS和精度
FasterNeT 是一种旨在极大优化推理速度的轻量级网络，通常用于移动设备和嵌入式系统。它通过减少参数量和计算量，提升了 FPS（帧每秒），而且在不显著降低精度的前提下，提高了效率。轻量化卷积层：采用深度可分离卷积（Depthwise Separable Convolutions）和组卷积（Gro
AI：282-ASFF改进YOLOv8检测头 | 提升目标检测精度的全新方法（全网首发）
YOLO（You Only Look Once）系列模型以其端到端的检测能力和高效性广泛应用于目标检测任务。YOLOv8是YOLO系列中的最新版本，其改进了特征提取、特征融合和检测头设计等多个方面。YOLOv8的检测头主要负责将从骨干网络中提取的特征图进行处理，以生成最终的检测结果。自适应空间特征融
AI：261-深入解析YOLOv8训练损失与mAP可视化 | 多结果对比与实时监控方法【附关键代码】
本文详细介绍了如何从 YOLOv8 模型的训练过程中提取损失和 mAP 数据，并通过 Python 绘图工具进行可视化。通过将多个训练结果绘制在同一张图中，我们可以直观地对比不同实验的表现，从而帮助科研人员更好地分析模型的性能。除了 YOLOv8 默认记录的损失和 mAP 数据外，用户还可以自定义其
AI：260 - YOLOv8改进涨点 | iAFF迭代注意力特征融合助力多目标检测精度提升
iAFF是一种基于注意力机制的特征融合方式，旨在逐步迭代特征图中的空间和通道维度信息。通过多个层次的注意力机制，该方法能够有效地融合来自不同尺度的特征信息，增强模型对小目标和细节的捕捉能力。相比传统的融合方法，iAFF不仅考虑了特征图中的全局信息，还能够对细粒度细节进行逐步增强，非常适合处理复杂多目
AI：259-全新YOLOv8改进策略 | 基于MSDA多尺度空洞注意力机制的优化与实现
空洞卷积是一种用于扩大感受野而不增加计算量的卷积操作。通过在卷积核的权重之间引入空洞（即间隔），空洞卷积能够捕捉更大范围的信息，同时保持计算效率。空洞卷积的公式为：其中，( r ) 是空洞率，控制了感受野的大小。
