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。
yolov5识别cf火线敌人（FPS类的AI瞄准）详细教程一
因为自己的研究方向也是深度学习方向，而且平时闲的时候还喜欢玩会cf火线等枪战游戏，就想着找一个大模型做一个对游戏敌人的识别的功能，一切实现之后就想把自己的心得写出来，我打算分俩个教程分别细述整个学习以及操作的过程，教程一主要包括了yolov5的基本使用，制作并训练自己的数据集，第二个教程包括对yol
YOLOv8——CV界的XGBoost
yolov8是ultralytics公司于2023年1月开源的anchor-free的最新目标检测算法框架。封装在ultralytics这个库中：https://github.com/ultralytics/ultralytics它具有以下优点：1，性能速度领先：借鉴了之前许多YOLO版本的tric
用Docker搭建yolov5开发环境
用Docker搭建yolov5开发环境,小白可以上手。
windows下配置pytorch + yolov8+vscode，并自定义数据进行训练、摄像头实时预测
window下使用yolo训练自己的数据，并通过摄像头实时图像检测
【目标检测】理论篇（2）YOLOv3网络构架及其代码实现
Yolov3的网络构架图和代码实现
政务大厅人员睡岗离岗玩手机识别算法
人员睡岗离岗玩手机识别算法通过python+yolo系列网络框架算法模型，人员睡岗离岗玩手机识别算法利用图像识别和行为分析，识别出睡岗、离岗和玩手机等不符合规定的行为，并发出告警信号以提醒相关人员。Python是一种由Guido van Rossum开发的通用编程语言，它很快就变得非常流行，主要是因
【YOLOv5】1.搭建Pycharm+Python+yolov5环境
笔者也是YOLO-V5初学者，在使用YOLO-V5做一个目标识别和自动按键的项目的过程中遇到了不少的问题，故将自己的心得笔记记录下来分享。主要分享的是思路和步骤，许多细节问题如果遇到了一般也都能在网上找到解决方法。
模型量化(6):Yolov5 QAT量化训练
从模型量化(5): 敏感层分析可以看出来，对于yolov5-nano模型，对最后一层detect层进行敏感层分析的时候,发现对检测精度的影响比较大。所以在PTQ/QAT在进行量化时，会跳过这些敏感层。QAT微调的模型，就是PTQ在校准后的模型。从上一小节可以看出如果PTQ中模型训练和量化是分开的，而
在yolov5的detect中我该如何调用第三方摄像头？
要在 YOLOv5 的 detect 中调用第三方摄像头，你可以使用 OpenCV 库中的 VideoCapture 类来读取摄像头的视频流。你可以这样做：首先，安装 OpenCV 库。然后，在你的代码中包含以下头文件：#include <opencv2/opencv.hpp>#incl
YOLOv5数据增强方法
YOLOv5的数据增强方法包括以下几种：随机剪裁：随机从输入图像中剪裁出一块区域并将其作为新的输入。随机翻转：随机将输入图像左右或上下翻转。随机颜色变化：随机调整输入图像的对比度、亮度和饱和度。随机加噪：在输入图像上随机添加噪声。随机模糊：使用高斯模糊或中值滤波器对输入图像进行随机模糊。通过这些方法
目标检测算法——YOLOV8——算法详解
本文梳理Yolo v8 的改进点，并针对一些较难理解的点进行重点阐述，主要有如下几方面：backbone 使用C2f模块，检测头使用了anchor-free + Decoupled-head，损失函数使用了分类BCE、回归CIOU + VFL（新增项目）的组合，框匹配策略由静态匹配改为了Task-A
YOLOV5改进：顶刊TIP 2023 | CFP：即插即用的多尺度融合模块，有效涨点！
的物体检测方法，本文方法基于全局显式的中心特征调节。与现有的方法不同，本文方法不仅关注不同层之间的特征交互，还考虑了同一层内的特征调节，该调节在密集预测任务中被证明是有益的。则依赖于自下而上的特征金字塔结构，通过建立自上而下的路径和横向连接从多尺度高级语义特征图中获取特征信息。提出了一种额外的自下而
