yolov5网络结构代码解读
yolov5已经很成熟了，作为一个拥有发展系列的检测器，它拥有足够的精度和满足现实中实时性要求，所以许多项目和比赛都能用的上，自己也拿来参加过比赛。YOLOv5针对不同大小的输入和网络深度宽度，主要分成了（n, s, m, l, x）和（n6, s6, m6, l6, x6），这些都在yolov5的
YOLOv5-v6.0学习笔记
YOLOv5-6.0版本的Backbone主要分为Conv模块、CSPDarkNet53和SPPF模块。YOLOv5在Conv模块中封装了三个功能：包括卷积(Conv2d)、Batch Normalization和激活函数，同时使用autopad(k, p)实现了padding的效果。其中YOLOv
MS COCO数据集
1. MS COCO数据集介绍MS COCO的全称是Microsoft Common Objects in Context，起源于微软于2014年出资标注的Microsoft COCO数据集。官网地址：http://cocodataset.orgCOCO是一个具有非常高的行业地位且规模非常庞大的数据
YOLO系列目标检测算法-YOLOv6
YOLO系列文章之YOLOv6。本文通过分析以往YOLO系列算法和最新技术，观察到几处需完善的地方，通过对网络设计、标签分配、损失函数、数据增强、工业便利化改进、量化和部署等进行修改，设计了EfficientRep、SCPStackRep Block、Rep-PAN、decoupled head等结
目标检测算法——垃圾分类数据集汇总（附下载链接）
🎄🎄近期，小海带在空闲之余收集整理了一批垃圾分类数据集供大家参考。整理不易，小伙伴们记得一键三连喔！！！🎈🎈
【目标检测】IoU、GIoU、DIoU、CIoU、EIoU 5大评价指标
在目标检测任务中，常用到一个指标IoU，即交并比，IoU可以很好的描述一个目标检测模型的好坏。在训练阶段IoU可以作为anchor-based方法中，划分正负样本的依据；同时也可用作损失函数；在推理阶段，NMS中会用到IoU。同时IoU有着比较严重的缺陷，于是出现了GIoU、DIoU、CIoU、EI
三万字硬核详解：yolov1、yolov2、yolov3、yolov4、yolov5、yolov7
Yolo (You Only Look Once) 是目标检测 one-state 的一种神经网络，可以在图像中找出特定物体, 并识别种类和位置。
YOLOv5训练结果性能分析
目录一、confusion_matrix.png —— 混淆矩阵二、F1_curve.png —— F1曲线三、labels.jpg ——标签四、labels_correlogram.jpg —— 体现中心点横纵坐标以及框的高宽间的关系五、P_curve.png ——单一类准确率六、R_curve.
使用YOLOv5实现图片、视频的目标检测
使用YOLOv5实现图片、视频的目标检测，以及一些操作细节和参数讲解
yolov8训练自己的数据集
yolov8真的来了！U神出品的yolov8，虽然还没正式公布，但是已经放出代码了。代码有着很强烈的yolov5风格。学的速度还跟不上别人更新的速度，咋玩呀！先看看yolov8seg、det的炼丹。再看看map：：都快卷秃噜皮了。yolov8s已经达到了0.6ms了。先看看ONNX图：这个是带NMS
改进YOLOv5/YOLOv7——魔改YOLOv5/YOLOv7提升检测精度（涨点必备）
🎄🎄魔改YOLOv5/YOLOv7目标检测算法——各位小伙伴可根据自身研究方向及专业领域自主搭配各类创新新颖且行之有效的网络结构，以此实现论文实验高效涨点。主要包括主干网络改进、轻量化网络、注意力机制、检测头部改进、空间金字塔池化、损失函数及NMS改进、视觉顶会创新点改进以及算法训练相关项目等等
YOLO算法创新改进系列项目汇总（入门级教程指南）
🎄🎄改进YOLOv5/YOLOv7——致力于目标检测领域科研Tricks改进与推荐 | 主要包括主干网络改进、轻量化网络、注意力机制、检测头部改进、空间金字塔池化、损失函数及NMS改进、视觉顶会创新点改进以及算法训练相关项目等等。
YOLOv8训练自己的数据集(超详细)
YOLOv8训练自己数据集的详细教程
win10下 yolov8 tensorrt模型加速部署【实战】
win10下yolov8 tensorrt加速部署：《TensorRT-Alpha》：https://github.com/FeiYull/TensorRT-Alpha。支持YOLOv8, YOLOv7, YOLOv6, YOLOv5, YOLOv4, YOLOv3, YOLOX, YOLOR,pp
一文详解Yolov5——基于Yolov5的火灾检测系统
本文以yolov5为基础设计一套火灾检测系统，由于大多数设备、算法的实时性较差或检测精确度偏低，而YOLOv5 检测算法拥有轻量级的模型和优良的性能，针对于此，本项目基于 YOLOv5 算法， 着重解决的问题是如何实现准确快速地检测火灾，以减小在复杂环境中的误检率，并提高检测精确率和实时性。
Faster-RCNN详解（个人理解）
这是我在学习Faster-RCNN的原理时做的学习总结，个人感觉还是比较详细的。
目标检测-＞SSD算法
目标检测算法总体分为：基于区域的算法和基于回归的算法1）基于区域的算法： RCNN, Fast RCNN, Faster RCNN, Mask RCNN 等。整个检测过程分为两个阶段。在第一个阶段，检测器需要找到一些假设的区域 (ROI)；在第二个阶段，检测器需要在这些假设区域上进行分类 (clas
linux下 yolov8 tensorrt模型加速部署【实战】
基于TensorRT cuda c++实现模型end2end的gpu加速，支持win10、linux，在2023年已经更新模型：YOLOv8, YOLOv7, YOLOv6, YOLOv5, YOLOv4, YOLOv3, YOLOX, YOLOR,pphumanseg,u2net,Efficien
【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
【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，
