YOLOv8实战无人机视角目标检测
本文采用YOLOv8作为核心算法框架，结合PyQt5构建用户界面，使用Python3进行开发。YOLOv8以其高效的实时检测能力，在多个目标检测任务中展现出卓越性能。本研究针对无人机目标数据集进行训练和优化，该数据集包含丰富的无人机目标图像样本，为模型的准确性和泛化能力提供了有力保障。通过深度学习技
Pytorch使用手册- TorchVision目标检测微调Tutorial的使用指南（专题十二）
目标检测、实例分割和人体关键点检测的参考脚本可以轻松支持添加新的自定义数据集。数据集应该继承自标准的类，并实现__len__和方法。我们唯一要求的是，数据集的image，形状为 [3, H, W]，可以是一个纯张量，也可以是大小为 (H, W) 的 PIL 图像。target：一个字典，包含以下字段
IoU已经out了，试试这几个变体:GIoU、DIoU和CIoU介绍与对比分析
GIoU、DIoU和CIoU这三个变体都有各自的独到之处,它们在一定程度上弥补了普通IoU在处理不重叠、距离较远或形状差异较大的边界框时的不足。
YOLOv8轻量化改进：基于EMO反向残差块网络的高效目标检测优化方案【附保姆级代码】
反向残差块网络EMO是一种轻量级CNN架构模块，旨在降低主干网络的计算量，并保持高效的特征提取能力。它的主要思想是通过设计轻量化残差结构，减少参数量和计算量。EMO的结构与传统的残差块有所不同，它减少了对高维度特征的依赖。YOLOv8采用模块化设计，通过主干和检测头的组合进行特征提取与目标检测。我们
【猫狗数据集】宠物品种分类 计算机视觉 人工智能 机器学习 （含数据集）
宠物数据集，涵盖了各种猫和狗品种，包括阿比西尼亚猫、孟加拉猫、德国短毛指示犬、哈瓦那犬等。每张图像都经过精准标注，包含品种信息和位置数据。这个数据集不仅为研究提供了丰富的训练素材，也是深度学习模型的理想选择，旨在培养准确识别和分类各种宠物品种的算法。立即探索这个数据集，解锁宠物世界的无限可能！
Labelme AI 自动标注版使用说明【附下载链接】
Labelme 是一个开源的图像标注工具，主要用于机器学习和计算机视觉领域的数据集创建。能够帮助用户快速、方便地对图像进行标注，以便为训练模型提供高质量的数据。支持 jpg，jpeg，png，tif，tiff 图像格式，对图像进行多边形矩形、圆形、多段线、线段、点形式的标注，实现AI辅助标注，与手动
YOLO可视化界面，目标检测前端QT页面。
使用PySide6/QT实现YOLOv5/v8可视化GUI页面(YOLO、目标检测、计算机视觉)在人工智能和计算机视觉领域，YOLO（You Only Look Once）是一种广泛使用的实时目标检测算法。为了直观地展示YOLO算法的检测效果，我们可以使用Python中的PySide6库来创建一个简
OMG-Seg：一个模型搞定所有分割任务的终极解决方案，大幅提升AI自动标注效率！
它采用了一种编码器-解码器架构，并使用任务特定的查询和输出来实现各种分割任务，显著简化了分割任务的部署。分割任务通常要求对图像或视频中的每个像素进行分类，传统上使用单独的模型来处理不同的分割任务，例如语义分割、实例分割、全景分割等。通过一个模型架构的多任务处理，OMG-Seg 展示了其在实际应用中的
深入浅出之CSPNet网络
CSPNet（Cross Stage Partial Network）的提出背景主要源于对现有计算机视觉模型的分析和挑战。在计算资源受限的情况下，轻量级神经网络模型越来越受到关注，但这类模型在轻量化的同时往往会牺牲模型的准确性。此外，现有的模型在推断过程中存在计算瓶颈和内存开销较大的问题，这限制了模
【YOLOv5/v7改进系列】引入YOLOv9的RepNCSPELAN4
YOLOv9的几个主要创新点：Programmable Gradient Information (PGI):PGI是一种机制，用于应对深度网络中实现多目标所需要的多种变化。PGI提供完整的输入信息来计算目标函数，从而获得可靠的梯度信息以更新网络权重。PGI可以自由选择适合目标任务的损失函数，克服了
【YOLO5 项目实战】（3）PCB 缺陷检测
本文介绍通过 YOLOv5 对 PCB缺陷 进行实时检测。详细介绍（1）环境配置；（2）北大PCB缺陷数据集的处理；（3）使用YOLOv5 训练PCB缺陷模型；（4）使用训练的模型检测 PCB缺陷。
01 服务器or本地项目部署全流程及常见问题
同志们大家好，今天出一期在windows、linux & ubantu系统中部署yolo or rtdetr项目的流程，供小白快速入门！（声明：以下流程均在蓝耘GPU平台和魔鬼面具的rtdetr项目下进行，其他项目如yolo系列均可使用该方法）其他相关链接附文章末尾。
PP-Human行为识别（RTSP协议视频流实时检测）
用本地电脑的摄像头摄像并推流到RTSP服务器然后拉取视频流，利用PP-Human行为识别模块本地推理并将推理结果推流到RTSP服务器，最终通过 VLC 打开网络串流播放实时画面。
将 YOLOv10 部署至 LiteRT：在 Android 上使用 Google AI Edge 进行目标检测
点击下方卡片，关注“小白玩转Python”公众号介绍在大型语言模型（LLMs）兴起之前，边缘 AI 是一个热门话题，这得益于其在设备上直接运行机器学习模型的显著能力。这并不是说这个话题已经失去了相关性；事实上，许多科技巨头现在正将注意力转向在移动平台上部署 LLMs。虽然我们今天不会讨论生成性 AI
CVPR2024｜ 实时目标检测的变革：RT-DETR的突破性性能
实时目标检测领域一直由基于CNN的架构主导，YOLO检测器领先。然而，端到端的基于变换器的检测器（DETRs）的引入彻底改变了这一领域，尽管它们的计算成本很高。在本文中，作者介绍了实时检测变换器（RT-DETR），这是一个突破性的模型，不仅在速度和精度方面实现了最先进的（SOTA）性能，而且消除了传
YOLO v8目标检测（一）—网络模型与构建
在backbone主干网络中主要包括了YOLOv8 继续采用 CSP （Cross Stage Partial networks）的设计理念，可以提高梯度流动并减少参数数量。YOLOv5中的C3模块在YOLOv8中被C2f模块所替代，这个变化是为了进一步的轻量化。C2f 模块融合了ELAN的设计思想
爆改YOLOv8| 利用ResNet18、34、50、101替换yolo主干网络
ResNet,yolo,yolov8,暴力涨点
可视化目标检测算法推理部署（一）Gradio的UI设计
自定制组件：Blocks构建应用相比Interface，Blocks提供了一个低级别的API，用于设计具有更灵活布局和数据流的网络应用。Blocks允许控制组件在页面上出现的位置，处理复杂的数据流（例如，输出可以作为其他函数的输入），并根据用户交互更新组件的属性可见性。#设置输入组件# 设置输出组件
yolov8目标检测pyside6可视化图形界面+检测源码ui文件——用于计数统计
yolov8目标检测pyside6可视化图形界面+检测源码ui文件——用于计数统计
深入浅出之FPN （Feature Pyramid Networks for Object Detection）网络
FPN网络是在2017年的CVPR会议上提出的，主要目的是通过特征融合的方式，在不显著增加计算量的情况下，提升多尺度目标的检测性能，尤其是对小目标的检测能力。它通过构建多尺度特征金字塔，将高层特征图的语义信息与低层特征图的空间信息进行融合，生成具有丰富多尺度信息的特征表示。
