AI：254-YOLOv8改进 | 基于MobileNetV2的轻量化Backbone替换与性能评估
深度可分离卷积：将标准卷积分解为深度卷积和逐点卷积，大幅降低计算复杂度。线性瓶颈：使用线性激活函数而非ReLU，在瓶颈层的输入和输出之间避免了非线性变换。反向残差块：在网络中引入反向残差模块，改善了特征的流动和信息传递。首先，我们需要定义MobileNetV2模型。这可以通过库中的预训练模型来实现。
AI：250-YOLOv8结合ShuffleNetV2的轻量级优化与实战指南（附代码+修改教程）
ShuffleNetV2是一种通过分组卷积（Group Convolution）和通道洗牌（Channel Shuffle）技术来减少计算量和内存访问成本的轻量级网络。分组卷积：通过减少卷积核的计算量来降低整体的计算复杂度。通道洗牌：通过交换不同分组中的通道来促进信息流动，提升模型的表达能力。Shu
在国产芯片上实现YOLOv5/v8图像AI识别-【2.2】RK3588上C++开发环境准备及测试更多内容见视频
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。
基于 YOLO V10 Fine-Tuning 训练自定义的目标检测模型
YOLO-V10 由清华大学提供，采用无 NMS 训练和效率-精度驱动架构，提供目前最先进的性能和延迟。
在国产芯片上实现YOLOv5/v8图像AI识别- 【1.2】进行开发前的准备工作
硬件准备：一台Ubuntu+3060显卡主机，主要用来训练工作。一台MacBook，主要用来编程工作。软件准备：MacBook安装vscode。Ubuntu主机安装docker，如果使用云主机此处可以忽略。
AI：249-YOLOv8主干网络的轻量化探索 | 基于华为VanillaNet的性能改进与应用（涨点必备）
VanillaNet是华为最新推出的轻量级网络架构，专为在移动端和嵌入式设备上运行而设计。轻量化设计：通过简化卷积操作和减少参数量，VanillaNet可以在保证精度的前提下，大幅降低计算复杂度。深度可分离卷积：采用深度可分离卷积（Depthwise Separable Convolution），进
AI：244-YOLOv8性能提升实战 | 集成双向特征金字塔网络（BiFPN）与多场景应用分析（极限涨点）
在本文中，我们详细探讨了如何通过集成双向特征金字塔网络（BiFPN）来提升 YOLOv8 模型的性能。BiFPN 的多尺度特征融合能力使其在各类场景中表现出色，无论是自动驾驶、安防监控还是无人机图像识别，都显著提高了目标检测的精度和鲁棒性。通过具体的代码实现和 yaml 配置示例，我们展示了如何将
AI：238-提升YOLOv8的检测性能 | Slim-Neck特征融合层的轻量化与精度双重突破（保姆级涨点）
从基础到实践，深入学习。无论你是初学者还是经验丰富的老手，对于本专栏案例和项目实践都有参考学习意义。每一个案例都附带关键代码，详细讲解供大家学习，希望可以帮到大家。正在不断更新中~
AI：245-YOLOv8的全新改进 | 基于Damo-YOLO的RepGFPN在Neck中的特征融合优化【极限涨点】
YOLOv8在结构上依旧延续了自YOLOv4以来的CSPNet（Cross Stage Partial Network）和FPN（Feature Pyramid Network）的设计，结合了PANet（Path Aggregation Network）来增强特征的多尺度表达。然而，随着目标检测任务
AI：243-YOLOv8主干改进涨点 | 集成LSKNet提升遥感目标检测性能的探索与实现
LSKNet是一种结合了大核卷积和小核卷积的网络结构，通过融合不同感受野的特征，有效提升了对目标的识别能力。大核卷积有助于捕捉全局特征，而小核卷积则在保留局部细节方面表现出色。LSKNet特别适合处理具有复杂背景和多尺度目标的遥感图像。
[数据集][目标检测]集装箱缺陷检测数据集VOC+YOLO格式4127张3类别
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注类别名称:["Dent","Hole","Rust"]
【仪酷LabVIEW AI工具包案例】使用LabVIEW AI工具包+YOLOv5实现工业产品的瑕疵检测与瑕疵点定位
Hello，大家好，我是你们的virobotics（仪酷智能），一个深耕于LabVIEW和人工智能领域的开发工程师。本文主要讲解如何用LabVIEW结合yolo算法实现产品的瑕疵检测与瑕疵点定位的功能，解决传统机器视觉无法检测复杂环境及多类瑕疵共同识别的问题。
人工智能视觉深度学习yolov5的学习笔记
人工智能视觉深度学习yolov5的学习笔记
Datawhale AI 夏令营 Task1：跑通YOLO方案baseline！
夏令营Task 1
DL 基于Ubuntu20.04—Yolov8环境搭建及运行
修改默认路径下：anaconda3/envs/yolov8/lib/python3.8/site-packages/ultralytics/cfg/models/v8/yolov8.yaml中的nc(number of classes)改为自己的类别数。在yolov8/train/datasets中
YOLO V5模型使用教程
YOLO V5模型零基础使用教程
AI：231-通过LSKAttention大核注意力机制提升YOLOv8性能的极限实战【保姆级教程】
LSKAttention是一种基于大核卷积的注意力机制，通过引入不同尺寸的卷积核来捕获图像中的多尺度特征信息。多尺度信息捕捉：通过大核卷积的感受野，能够有效捕捉目标物体的多尺度特征信息。增强全局特征：相比于小卷积核，大卷积核能够更好地捕捉全局信息，避免忽略小目标或复杂背景下的重要特征。轻量化设计：尽
AI：242-YOLOv8轻量化主干优化 | 基于轻量卷积的PP-HGNetV2创新改进与实战应用【超级涨点】
PP-HGNetV2是一个经过优化的轻量级主干网络，旨在平衡计算效率和检测精度。相比传统的ResNet或CSPDarknet，PP-HGNetV2在计算量上大幅降低，同时保持了较高的特征提取能力。它通过引入Hybrid Convolution (HG) 和多尺度特征融合技术，使得网络在处理不同尺寸目
Docker搭建yolov8并训练、验证、推理化学仪器数据集
本文通过docker的方式搭建yolov8运行环境，并成功训练了化学仪器数据集，其中训练数据215张，验证数据65张，类别14。
AI：241-YOLOv8主干网络改进 | 基于PPHGNetV2的超级轻量化与精度提升【极限涨点】
PPHGNetV2是由百度飞桨团队提出的一种轻量化特征提取网络，专为实时检测任务设计。其在架构上采用了深度可分离卷积、通道注意力机制和多尺度特征融合策略，使得网络在轻量化的同时保持了较高的特征提取能力。PPHGNetV2的这种设计思想非常适合应用在YOLOv8的改进中。本文深入探讨了如何通过引入PP
