用YOLOv5和MobileViTs骨干网络革新目标检测：高效准确AI视觉的未来
MobileViT是一种结合了ViT和MobileNetV3的深度神经网络，旨在充分利用两种网络结构的优势，并避免它们各自的缺点。ViT是基于注意力机制的视觉转换器，适用于图像分类任务，表现出色。
YOLOv8 Bug及解决方案汇总
m = getattr(torch.nn, m[3:]) if 'nn.' in m else globals()[m] # get module
YOLOv5改进训练过程中置信度损失上升
按照以上分析原因进行修改之后发现，削减模型复杂度值之后，依然会出现该现象，所以过拟合原因排除；总结分析出三个主要原因：1.模型计算量过大，出现过拟合的现象，需要对网络框架进行削减，降低网络模型复杂度。3.学习率以及optimizer的选择出现问题，需要进行更换。从tensorboard的图像过程中看
【YOLOv5】Backbone、Neck、Head各模块详解
详解Yolov5原理及backbone、neck、head三个模块的作用及结构。
YOLOv5改进：引入DenseNet思想打造密集连接模块，彻底提升目标检测性能
目录一、密集连接模块的介绍1、密集连接的概念2、密集连接与残差连接的对比3、DenseNet的结构二、 YOLOv5中引入密集连接模块的原因1、密集连接模块对于目标检测的优势2、密集连接模块对目标检测性能的影响三、 YOLOv5中密集连接模块的具体实现1、使用DenseNet的基本单元DenseBl
车牌识别算法 基于yolov5的车牌检测+crnn中文车牌识别 支持12种中文车牌识别
最全车牌识别算法，支持12种中文车牌类型了。基于yolov5的车牌检测 crnn车牌识别 关键点定位车牌1.单行蓝牌 2.单行黄牌 3.新能源车牌 4.白色警用车牌 5 教练车牌 6 武警车牌 7 双层黄牌 8 双层武警 9 使馆车牌 10 港澳牌车 11 双层农用车牌12 民航车牌
YOLOv5源码逐行超详细注释与解读（1）——项目目录结构解析
全网最全YOLOv5项目目录结构超详细分析。逐个文件注释，小白上手必备
yolov5+deepsort目标检测与跟踪（毕业设计+代码）
yolov5+deepsort目标检测与跟踪
YOLOV5轻量化改进-MobileNetV3替换骨干网络
YOLOV5轻量化改进-MobileNetV3替换骨干网络
【yolo训练数据集】标注好的垃圾分类数据集共享
超赞的yolo训练所用垃圾分类数据集共享——标注好的3000+图片
行人车辆检测与计数系统（Python+YOLOv5深度学习模型+清新界面）
行人车辆检测与计数系统用于交通路口行人及车辆检测计数，道路人流量、车流量智能监测，方便记录、显示、查看和保存检测结果。本文详细介绍行人车辆检测，在介绍算法原理的同时，给出Python的实现代码、PyQt的UI界面以及训练数据集。在界面中可以选择各种行人车辆图片、视频进行检测识别与计数；可对图像中存在
YOLO 模型的评估指标——IOU、Precision、Recall、F1-score、mAP
YOLO是最先进的目标检测模型之一。目标检测问题相比分类问题要更加复杂，因为目标检测不仅要把类别预测正确，还要预测出这个类别具体在哪个位置。我将目标识别的评估指标总结为两部分，一部分为预测框的预测指标，另一部分为分类预测指标。
YOLOv7如何提高目标检测的速度和精度，基于模型结构提高目标检测速度
目标检测是计算机视觉领域中的一个重要任务，它的主要目标是在图像或视频中准确地定位和识别特定目标。
提速YOLOv7：用MobileNetV3更换骨干网络加速目标检测
本专栏均为全网独家首发，🚀订阅该专栏后，该专栏内所有文章可看，内附代码，可直接使用，改进的方法均是2023年最近的模型、方法和注意力机制。每一篇都做了实验，并附有实验结果分析，模型对比。
YOLOv7升级换代：EfficientNet骨干网络助力更精准目标检测
目标检测是计算机视觉中的重要研究方向，其应用广泛，例如自动驾驶、安防监控等。目前，基于深度学习的目标检测方法已经取得了很大进展，其中YOLO（You Only Look Once）系列模型以其快速且准确的特点备受关注。
【Segment Anything Model】论文+代码实战调用SAM模型预训练权重+相关论文
上一篇已经全局初步介绍了segment anything model和其功能，本篇作为进阶使用。代码实战案例，同时介绍了二创论文。
ConvNeXt网络详解，最新ConvNeXt结合YOLO，催生YOLOv5目标检测巨变
ConvNeXt的网络结构基于Inception-v4，但采用了更加灵活的多尺度卷积设计。具体而言，ConvNeXt将不同尺寸的卷积核组合成一个大的卷积核，从而提高感受野并减少参数数量。为了进一步降低参数数量和计算复杂度，ConvNeXt采用了分组卷积，并且在卷积层之间添加了批量归一化（Batch
2023年十大目标检测模型！
“目标检测是计算机视觉中最令人兴奋和具有挑战性的问题之一，深度学习已经成为解决该问题的强大工具。”—Dr. Liang-Chieh Chen目标检测是计算机视觉中的基础任务，它涉及在图像中识别和定位目标。深度学习已经革新了目标检测，使得在图像和视频中更准确和高效地检测目标成为可能。在2023年，有几
Yolov5
以Yolov5模型结构
Jetson nano (4GB B01) 系统安装，官方Demo测试 （目标检测、手势识别）
jetson nano 安装与测试
