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
MATLAB 2023a安装包下载及安装教程
MATLAB和Mathematica、Maple并称为三大数学软件。它在数学类科技应用软件中在数值计算方面首屈一指。行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等。MATLAB的基本数据单位是矩阵，它的指令表达式与数学、工程中常用的形式十分相似，故用MATLAB来解算问
读pytroch使用resnet18网络的代码
读读pytorch中调用resnet18的代码
bert 的输出格式详解
输出是一个元组类型的数据 ，包含四部分，last hidden stateshape是(batch_size, sequence_length, hidden_size)，hidden_size=768,它是模型最后一层输出的隐藏状态pooler_output：shape是(batch_size,
12大类150个图像处理和深度学习开源数据集
本文整理了150 个深度学习和图像处理领域的开源数据集，包括：目标检测、人脸识别、文本识别、图像分类、缺陷检测、医学影像、图像分割、图像去雾、关键点检测、动作识别、姿态估计、自动驾驶和 RGBT 等12个方向。
Centernet 生成高斯热图
最近学校阳了，宿舍给封了，宿舍网络不好远程跑不了实验，随缘写一下对CenterNet源码的一个解读，之前写论文的那段时间留下来的工作，respect！这个文章主要是对CenterNet中生成高斯核的部分代码进行解析，具体原理不会细讲，但是本文增加了一个很方便理解的可视化的代码，可以自己拿来跑就行，自
Ubuntu22.04 下安装驱动、CUDA、cudnn以及TensorRT
Ubuntu22.04 下安装 Anaconda3 + python3.10 + cuda11.7 + cudnn8.4.1.5+ opencv4.5.3
Paper Reading - 综述系列 - Hyper-Parameter Optimization（上）
自开发深度神经网络以来，几乎在日常生活的每个方面都给人类提供了比较理性的建议。但是，尽管取得了这一成就，神经网络的设计和训练仍然是具有很大挑战性和不可解释性，同时众多的超参数也着实让人头痛，因此被认为是在炼丹。因此为了降低普通用户的技术门槛，自动超参数优化（HPO）已成为学术界和工业领域的热门话题。
模型可视化工具Netron手把手教学
这个工具主要是帮助我们可视化网络模型层结构，可以观察到每个层的name、输入输出shape，有时候和模型本身代码对照来看，就会更容易看明白每一层的含义；有时候，在推理时，通过观察这个可视化结构，比较容易看出来网络是否有冗余的层（推理时不需要）
torch gpu改cpu
关于torch 的cpu和gpu互相转换
【将高光谱、多光谱和全色图像进行融合】
仅供自己参考
yolov7-face关于widerface-val数据集的评测
yolov7-face
【机器学习】舍友居然偷偷在看这篇文章·入门机器学习
kiko力求用最通俗的语言和实战案例来解释机器学习的相关内容！
yolov7训练自己的数据集及报错处理
yolov7训练自己的数据集及报错处理，其实和yolov5差不太多
Yolov5中使用Resnet18作为主干网络
采用Resnet-18作为主干网络
基于时序模式注意力机制（TPA）的长短时记忆（LSTM）网络TPA-LSTM的多变量输入风电功率预测
0 前言1、TPA理论注意力机制（Attention mechanism）通常结合神经网络模型用于序列预测，使得模型更加关注历史信息与当前输入信息的相关部分。时序模式注意力机制（Temporal Pattern Attention mechanism, TPA）由 Shun-Yao Shih 等提出
带图讲解，深度学习YOLO里面的anchors的进阶理解
可视化网格grid及anchors
【yolov6系列一】深度解析网络架构
在yolov5霸屏计算机视觉领域很久时，六月处美团开源了yolov6，并号称在精度和速度上均超越其他同量级的计算机视觉模型，刚刚瞅了一眼，star已经超过2.8k。网上基于yolov6的解读有很多，文末会附上美团的官方解读和开源代码的github链接。文本开始yolov6系列，先和大家分享下整个yo
深度学习（一）深度学习简介以及常用算法
深度学习属于机器学习的范畴，深度学习可以说是在传统神经网络基础上的升级，约等于神经网络。深度学习和传统机器学习在数据预处理上都是类似的。核心差别在特征提取环节，深度学习由机器自己完成特征提取，不需要人工提取。学习能力强覆盖范围广，适应性好数据驱动，上限高可移植性好计算量大，便携性差硬件需求高模型设计
Self-Attention详解
文章目录Sequence数据的处理Sequence Labeling（输入和输出的大小一样）Self-Attention内部机理如何求解b？Multi-head Self-AttentionPositional EncodingSelf-Attention for ImageSelf-Attenti
