【实验记录】yolov5的一些改进tricks总结--持续更ing
【实验记录】yolov5的一些改进tricks总结1.在yolov5上增加小目标检测层link2.在yolov5上增加注意力机制link
YOLOv5解析 | 第三篇：如何改进YOLOv5？
大家好，我是K同学啊！在前面的文章YOLOv5解析 | 第二篇：用YOLOv5训练自己的数据集（超级详细完整版）中我们介绍了使用训练自己的数据集。这一篇文章，我将带大家一起解析 YOLOv5 的 6.0 版本结构，先看看我们模型结构图~由于YOLOv5存在多个版本，所以你在网上可能会看到许多不同版本
本科生学深度学习，搭建环境，再不入坑就晚了
目录1、目的2、心理准备3、IDE的选择4、AI框架的选择5、安装环境6、总结最近没怎么写游戏了，一直在写python，是因为我对深度学习感兴趣，想学习一下，同时也觉得AI是未来，所以去学习了一段时间。1、目的AI 和游戏的结合是 强化学习，强化学习是深度学习的一个分支，之前也写过一点深度学习，所以
使用OpenAI的Whisper 模型进行语音识别
本文将解释用于训练的数据集的种类以及模型的训练方法，以及如何使用Whisper
【深度学习】（四）目标检测——上篇
上一章介绍了图像分类，这一章来学习一下目标检测上篇。简单来说，需要得到图像中感兴趣目标的类别信息和位置信息，相比于分类问题，难度有所提升，对图像的描述更加具体。在计算机视觉众多的技术领域中，目标检测（Object Detection）也是一项非常基础的任务，图像分割、物体追踪、关键点检测等通常都要依
使用计算机视觉和深度学习创建现代 OCR 管道
文档扫描仪可以使用手机拍照并[“扫描”]收据和发票等项目。我们的移动文档扫描仪仅输出图像 - 就计算机而言，图像中的任何文本都只是一组像素，无法复制粘贴，搜索或您可以对文本执行的任何其他操作。因此，需要应用光学字符识别或OCR。此过程从我们的文档扫描图像中提取实际文本。运行 OCR 后，我们可以为
YOLOv5中的SPP/SPPF结构详解
深度学习入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。目录一、SPP的应用的背景二、SPP结构分析三、YOLOv5中SPP结构源码解析（内含注释分析）一、SPP的应用的背景在卷积神经网络中我们经常看到固定输入的设计，但是如果我们输入的不能是固
【深度学习】AI一键换天
基于视觉的视频天空替换和协调方法，该方法可以在具有可控风格的视频中自动生成逼真的天空背景。与以前的天空编辑方法专注于静态照片或需要集成在智能手机中的惯性测量装置拍摄视频不同，该方法完全基于视觉，对捕获设备没有任何要求，并且可以很好地应用于在线或离线处理场景。......
【深度学习前沿应用】图像风格迁移
【深度学习前沿应用】图像风格迁移，基于百度飞桨开发，参考于《机器学习实践》所作。
使用Stable-Diffusion生成视频的完整教程
本文是关于如何使用cuda和Stable-Diffusion生成视频的完整指南，将使用cuda来加速视频生成，并且可以使用Kaggle的TESLA GPU来免费执行我们的模型。
长短期记忆（LSTM）详解
目录一、背景二、原理三、总结四、LSTM的优缺点五、LSTM代码实现一、背景 当时间步数(T)较大或时间步(t)较小的时候，RNN的梯度较容易出现衰减或爆炸。虽然裁剪梯度可以应对梯度爆炸，但是无法解决梯度衰减的问题。这个原因使得RNN在实际中难以捕捉时间序列中时间步(t)距离较大的依赖关系。因
7个流行的强化学习算法及代码实现
目前流行的强化学习算法包括 Q-learning、SARSA、DDPG、A2C、PPO、DQN 和 TRPO。 这些算法已被用于在游戏、机器人和决策制定等各种应用中，并且这些流行的算法还在不断发展和改进，本文我们将对其做一个简单的介绍。
YOLOV5 代码复现以及搭载服务器运行
文章目录前言一、YOLO简介二、代码下载三、数据集准备四、配置文件的修改1.data下的yaml2.models下的yaml3.训练train五、搭载服务器训练1.上传数据2.租服务器3.pycharm连接服务器1.添加ssh2.输入密码3.配置服务器环境路径跟代码映射路径4.解压数据5.开始训练6
cpu和gpu已过时，npu和apu的时代开始
🌎CPU是中央处理器。其实就是机器的“大脑”，也是布局谋略、发号施令、控制行动的“总司令官”。CPU的结构主要包括运算器（ALU，ArithmeticandLogicUnit）、控制单元（CU,ControlUnit）、寄存器（Register）、高速缓存器（Cache）和它们之间通讯的数据、控制
对抗生成网络（GAN）中的损失函数
L1损失函数又称为MAE(mean abs error)，即平均绝对误差，也就是预测值和真实值之间差值的绝对值。 L2损失函数又称为MSE(mean square error)，即平均平方误差，也就是预测值和真实值之间差值的平方。
2023 年8个ChatGPT 的替代品
OpenAI 于 2022 年 11 月下旬推出的 ChatGPT 在网络世界引起了不小的轰动。其实还有许多其他的机器人在本文中，我将整理8 个 ChatGPT 替代方案。
8种时间序列分类方法总结
对时间序列进行分类是应用机器和深度学习模型的常见任务之一。本篇文章将涵盖 8 种类型的时间序列分类方法。这包括从简单的基于距离或间隔的方法到使用深度神经网络的方法。这篇文章旨在作为所有时间序列分类算法的参考文章。
使用CLIP构建视频搜索引擎
通过CLIP可以轻松地创建一个频搜索引擎。使用预训练的CLIP模型和谷歌的LevelDB，我们可以对视频进行索引和处理，并使用自然语言输入进行搜索。通过这个搜索引擎使用户可以轻松地找到相关的视频，最主要的是我们并不需要大量的预处理或特征工程。那么我们还能有什么改进呢？使用场景的时间戳来确定最佳场景。
Keras深度学习实战（39）——音乐音频分类
音乐音频分类技术能够基于音乐内容为音乐添加类别标签,在音乐资源的高效组织、检索和推荐等相关方面的研究和应用具有重要意义。传统的音乐分类方法大量使用了人工设计的声学特征，特征的设计需要音乐领域的知识，不同分类任务的特征往往并不通用。深度学习的出现给更好地解决音乐分类问题提供了新的思路，本文对基于深度学
【深度学习】（五）目标检测——下篇
上一章介绍了目标检测上篇，主要为两阶段检测的R-CNN系列。这一章来学习一下目标检测下篇。R-CNN系列算法面临的一个问题，不是端到端的模型，几个构件拼凑在一起组成整个检测系统，操作起来比较复杂。而今天介绍的YOLO算法，操作简便且速度快，效果也不错。YOLO算法是一种典型的one-stage方法，
